请完整描述CLIP模型的原理、架构、工作过程、对齐方式，以及基于CLIP实现图像字幕生成（image captioning）的方式。
考察说明
考察对多模态预训练模型CLIP的深层理解及迁移应用能力
回答思路
- 准确解释CLIP的对比学习目标和双塔结构
- 说明图像与文本编码器的典型选择及训练数据规模
- 描述对比学习如何拉近配对样本、推远不配对样本
- 解释CLIP在零样本分类和图像检索中的应用原理
- 说明如何利用CLIP进行图像字幕生成，包括冻结特征或微调解码器
- 指出CLIP的局限，如对细粒度属性或空间关系理解不足
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。