导读
CLIP 从互联网图文对学习图像—文本对齐，使自然语言能够零样本地指向视觉概念。它成为 VQGAN+CLIP、Disco Diffusion 等早期 prompt-driven image art 的核心条件，也把 web-scale image-text data 推到生成文化中心。
查看大图 ↗所链接文献 PDF 的第 2 页，保留原图与原语言。页面版本以来源文件为准；后来的修订或重印日期不替代节点的历史日期。
Alec Radford et al. / OpenAI · 原文献 · 图像权利归原权利人；不视为开放许可
资料出处 · Learning Transferable Visual Models From Natural Language Supervision ↗档案研究说明
学习图像与说明文字之间的对应关系。
ANTI-AI ARCHIVE · 修订 2026-10-02
研究方法与具体变化
CLIP通过预测哪些文字与哪些图像相配来学习视觉表示，随后可用自然语言指定分类概念。论文报告互联网图文对预训练及多个视觉数据集上的迁移实验。CLIP本身提供的是表示与匹配能力，并不直接把一句话渲染为图片。
在艺术史中的位置
它在社区生成流程中可以充当评价方向，引导另一套生成器寻找更匹配文字的图像。这里的“相似”是模型学得的度量，不是艺术质量的客观评分；图文数据中的偏向也会参与这种判断。
正文引用资料
核读作者或会议页面的摘要与版本记录；未通读全部证明或复现实验。
本篇按引用范围扩写档案说明；研究解释不应被理解为原作者的自述或已证实的因果影响。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
比较本条与VQGAN+CLIP：社区工作流之间的制作方法、控制方式或展示语境。
比较本条与CLIP 首次公布之间的制作方法、控制方式或展示语境。
日期与版本记录
节点标注日期：2021-02 · 来源记录的历史日期：2021-02
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
Learning Transferable Visual Models From Natural Language Supervision
https://arxiv.org/abs/2103.00020
当前引用地址
出处、翻译与核验状态
主线节点 #121 · 历史节点
研究资料与补充出处 · 2
AI 艺术谱系研究母版 · p. 23 · 076
原记日期: 2021-02
从自然语言监督中学习可迁移视觉模型：CLIP ↗
Learning Transferable Visual Models From Natural Language Supervision
生成式视觉发布编年研究母版 · p. 2 · R004
原记日期: 2021-02
从自然语言监督中学习可迁移视觉模型：CLIP ↗
OpenAI CLIP — Learning Transferable Visual Models From Natural Language Supervision
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. 从自然语言监督中学习可迁移视觉模型：CLIP. 艺术史节点 #121. https://salondesrefuses.cn/zh/art-history/076
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。