在人工智能领域，对比语言 - 图像预训练（CLIP） 是一种流行的基础模型，由 OpenAI 提出，支持零样本分类、检索等下游任务，并可作为多模态大语言模型（MLLM）的视觉编码器。 尽管 CLIP 已经成功地在数十亿规模的英语图文对上进行了训练，但进一步扩展到全球范围内的数据仍面临以下两项挑战： 目前缺少有效的方法来处理非英语世界的数据；