在构建多模态模型时，你为什么会选择 CLIP 作为视觉-语言对齐的基础？请说明其设计动机和关键优势。
考察说明
考察对 CLIP 架构设计理念及其在多模态任务中应用优势的理解
回答思路
- 能说明 CLIP 通过海量图文对比学习实现跨模态对齐的核心思想
- 能对比 CLIP 与早期单模态或简单拼接方法的差异，突出其零样本迁移能力
- 能举例说明 CLIP 在下游任务（如图文检索、图像分类）中的实际优势
- 能指出 CLIP 的局限性（如细粒度感知、精确指代能力不足）
本题已收录答题指导
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。