面试题库 › 算法 / 大模型 › CLIP 模型的原理与训练

CLIP 模型的原理与训练

难度 ★★★在 12 场真实面经中被问到 方向:算法 / 大模型考点:视觉与多模态模型

哪些公司问过

字节跳动3爱奇艺2腾讯1小米1美团1百度1vivo1蚂蚁集团1腾讯音乐1

常见岗位:大模型算法、计算机视觉、推荐搜索广告、后端开发

答案要点

  1. CLIP 是图文对比学习模型,双塔结构:图像编码器和文本编码器
  2. 两路输出投影到同一向量空间,比较向量相似度
  3. 训练:批内 N 对图文,匹配对相似度最高,用对称对比损失
  4. 零样本分类:把类别名写成文本提示,选与图像最相似的
  5. 应用:图文检索、多模态模型的视觉编码器;衍生有 SigLIP、OpenCLIP

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题