本研究分析了现有视觉-语言编码器在多语言理解中的不足，并提出了一种新的统一训练方法。结果表明，SigLIP 2在零-shot分类和图像-文本检索等任务中优于前版本，并在本地化和密集预测任务上有显著提升。

VL4AD模型通过视觉-语言编码器提升像素级异常检测，解决未知语义类别的检测难题。该模型采用新评分函数，实现无数据、无训练的异常监督，优化类别描述与识别能力。