概念	一句话解释
多模态学习	让模型同时理解图像、文本、音频等多种数据
模态对齐	将不同模态映射到同一语义空间
跨模态检索	输入一种模态，检索另一种模态
Zero-shot	不需要训练，直接分类任意类别

CLIP

概念	一句话解释
CLIP	用对比学习对齐图文，支持 Zero-shot
对比损失	让匹配的图文相似，不匹配的不相似
Prompt 模板	"a photo of a {class}"提升分类效果

BLIP

概念	一句话解释
BLIP	理解+生成，支持检索、字幕、VQA
ITC+ITM+LM	三个训练目标：对比+匹配+生成
CapFilt	用模型生成字幕并过滤数据，自举学习
Q-Former	可学习 Query 提取视觉信息，连接视觉和语言
生图子模型	Stable Diffusion/DALL-E/Flux，Prompt→图像
生图多样性	temperature/CFG参数+负向提示词+多种子采样
生图评估	FID定量+CLIP-Score语义相似度+人工评测

---