#图文匹配

SigLIP在CLIP架构基础上改进了损失函数设计，使用Sigmoid损失函数处理图像-文本对训练。该模型在WebLI数据集上预训练，支持512x512分辨率的图像输入，主要应用于零样本图像分类和图文检索。相比CLIP，新的损失函数无需全局相似度归一化，使模型在不同批量规模下都能保持稳定表现。