CLIP在图像生成任务中作为条件输入的作用是什么？请结合具体应用场景说明其优缺点。

回答思路

1. 能解释CLIP的对比学习预训练机制及其语义表示能力
2. 能说明CLIP在多模态条件控制（如文本/图像引导）中的典型用法
3. 能分析CLIP作为条件输入的优势（语义对齐）与局限（空间细节弱）
4. 能结合具体生成任务（如T2I、图像编辑）说明实际效果依赖验证