D11 · نماذج ترى وتسمع
صور داخل نموذج لغوي
تتبّع صورة عبر مُرمِّز وطبقة إسقاط إلى نموذج لغوي، وتقول أي الأجزاء يتعلم ومتى.
يستطيع CLIP أن يطابق صورة بجملة، لكنه لا يجيب عن سؤال بشأنها. فلا لسان له. والنموذج اللغوي له لسان بلا عينين. فلنصل أحدهما بالآخر.