CLIP-TD是一种自适应选择标记的蒸馏方法，适用于视觉-语言任务。在低量数据和领域迁移条件下，CLIP-TD在视觉常识推理、视觉蕴涵推理和视觉问答任务上获得了最先进的性能。

本研究提出了一种名为CLIP-TD的方法，通过有针对性的蒸馏来适应每个实例的自适应选择标记。实验证明，CLIP-TD在视觉常识推理、视觉蕴涵推理和视觉问答等任务中，在低量数据和领域迁移条件下取得了显著的增益，并达到了最先进的性能。