请介绍 CLIP 的基本原理，以及它是如何实现图文跨模态对齐的。

Question

Accepted Answer

考察点：考察对多模态模型对比学习机制的理解。回答思路：能说明 CLIP 使用图文对比学习进行预训练 能描述图像与文本编码器及对比损失的作用 能说明对齐后的表征如何用于零样本迁移

考察说明