本研究提出了LLM-wrapper方法，通过利用大型语言模型适应VLMs，解决了VLMs在零-shot能力上的局限性，提升了在开放词汇任务上的效果。

该文章介绍了一种预测开放词汇的方法，通过3D语义体素占用图实现对自由形式语言查询的定位、分割和检索。该方法包括新的模型架构、三模态自监督学习算法，并在几个开放词汇任务上展示了模型的优势。

该论文提出了CLIP Surgery方法，提升了CLIP模型的解释性和性能，且在多个任务中获得了显着提高，如在NUS-Wide多标签识别上得到了4.41%的平均精度提升，在Cityscapes开放词汇语义分割任务上的mIoU也超过了现有方法的8.74%。

该论文提出了CLIP Surgery方法，提升了CLIP模型的解释性和性能，且在多个任务中获得了显着提高，如NUS-Wide多标签识别和Cityscapes开放词汇语义分割任务。

CLIP（Contrastive Language-Image Pre-training）是一种多模态视觉模型，通过CLIP Surgery方法提升了解释性和性能。在开放词汇任务中，获得了显着提高，如NUS-Wide多标签识别上的4.41%平均精度提升，Cityscapes开放词汇语义分割任务上的mIoU超过了现有方法的8.74%。