本研究探讨了CLIP框架下视觉语言模型的社会偏差与预训练特征及下游表现的关系。结果表明，预训练数据集是偏差的重要预测因素，而模型架构的影响较小。内在偏差与下游表现呈正相关，优化模型可能加剧偏差，为减少偏差提供了启示。