FLIP：缩放语言-图像预训练通过遮蔽

一句话总结

该研究引入了Fast Language-Image Pre-training (FLIP)模型。该方法相较于现有技术具有更高的效率，并且在复杂场景下表现更为稳定。

点击链接访问

FLIP

Scaling Language-Image Pre-training via Masking

单位：Meta AI, FAIR(何恺明等人)

论文：https://arxiv.org/abs/2212.00794

我们采用了一种有意识地遮蔽并去除大部分图像patches的方法，在同一wall-clock time内从中提取更多image-text pairs，并在相同内存使用量下每批次处理更多样本。

![在这里插入图片描述](https://ad.itadn.com/c/weblog/blog-img/images/2025-05-3