आज की तकनीकी दुनिया में, CLIP (Contrastive Language-Image Pre-training) एक महत्वपूर्ण मल्टी-मोडल आधार मॉडल है। यह बड़े पैमाने पर छवि-टेक्स्ट जोड़ों में प्रतिक्रियात्मक अध्ययन हानि का उपयोग करके दृश्य संकेतों और पाठ संकेतों को साझा विशेषता स्थान में जोड़ता है। CLIP एक शोधक के रूप में, शून्य-शॉट वर्गीकरण, पहचान, विभाजन और छवि-टेक्स्ट खोज जैसी कई कार्यों का समर्थन करने में सक्षम है। साथ ही, एक विशेषता निकालने वाले के रूप में, यह लगभग हर