返回Glossary
CLIP
对比语言-图像预训练——由 OpenAI 在 400M 图像-文本对上训练的模型，用于学习对齐的视觉和语言表示。CLIP 嵌入在机器人学中用于开放词汇对象检测、语言条件操纵和奖励规范。VLA 模型如 RT-2 和 SayCan 利用 CLIP 风格的视觉-语言对齐来将语言命令接地到机器人动作。
对比语言-图像预训练——由 OpenAI 在 400M 图像-文本对上训练的模型，用于学习对齐的视觉和语言表示。CLIP 嵌入在机器人学中用于开放词汇对象检测、语言条件操纵和奖励规范。VLA 模型如 RT-2 和 SayCan 利用 CLIP 风格的视觉-语言对齐来将语言命令接地到机器人动作。