待验证50% 置信事实精确时间
在视觉-语言预训练中，可以对图文对比损失使用软标签或标签平滑，将硬标签替换为均匀分布与真实标签的混合，从而避免模型对单个错误标签过度自信。
1
来源数
50%
置信度
长期有效
时效性
2026/11/7
首次发现
来源
涉及实体
相关事实
待验证使用对比学习目标时，噪声标签对视觉-语言对齐的破坏相对可控；而生成式目标（如图像描述）对标签错误更敏感。78% 相似待验证SCARCE的核心贡献在于将图OOD泛化从标签依赖中解放出来，为标签稀缺的图学习场景提供了可行路径。76% 相似待验证低质量或过度压缩的训练图像会导致模型在细节生成上产生伪影、色彩失真乃至风格理解偏差70% 相似待验证视觉语言模型擅长识别「有没有内容」（空白、截断、乱码），但不擅长评估「设计好不好看」（对齐、间距、视觉重量平衡）。68% 相似待验证CLIP 用对比学习（Contrastive Learning）替代了此前的监督分类范式，通过最大化匹配图文对相似度、最小化不匹配对相似度进行自监督学习68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1146921API
curl https://kongchang.com/api/v1/knowledge/claims/1146921MCP
get_claim(id=1146921)