#多语言CLIP

XLM-Roberta-Large-Vit-B-16Plus是一个多语言视觉语言模型，扩展了CLIP模型至50多种语言。该模型包含多语言文本编码器，可与Vit-B-16Plus图像编码器协同工作。在多语言MS-COCO数据集的文本-图像检索任务中，它在11种语言中均表现出色。模型能够从多语言文本和图像中提取特征向量，适用于跨语言的图像文本匹配应用。