该研究提出了一种解释计算机视觉模型预测的方法，通过生成基于概念的原型。该方法在粗粒度图像分类任务上表现出竞争力，并在细粒度任务上可能表现更优。用户研究证明了该方法的有效性。

本研究提出了一种基于 intra-modal 和 cross-modal rank loss 的策略，用于解决 Vision and Language Models 在细粒度任务上的挑战。该策略不需要额外的注释或参数，可应用于任何使用图像 - 文本对比损失训练的 VLMs。在应用于 CLIP 上时，该方法在三个细粒度基准测试上显著提高了性能，并增强了 X-VLM 在细粒度推理上的表现。