CLIP（对比性语言-图像预训练）模型通过CLIP Surgery方法提升了解释性和性能，在多标签识别和语义分割任务中显著提高了准确率。研究还提出了将CLIP特征嵌入3D地图的方法，增强了对象导航系统的效率和成功率。此外，CPL方法和结构感知的Structure-CLIP模型进一步提升了多模态表示能力。