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。

本研究提出了一种标签空间简化（LSR）方法，旨在提升大型语言模型在零-shot分类中的表现。LSR通过对候选类进行排名和减少，使模型更专注于相关选项，实验证明宏观F1得分提高了7.0%。

本研究提出了一种创新方法，通过多轮人类注释改善图像描述，解决了对图像的过度依赖和元数据透明度不足的问题。结果表明，该方法生成的描述更为丰富，提升了文本到图像生成和零-shot图像分类的效果。

本研究提出了CLIPCleaner方法，利用CLIP模型进行零-shot分类，解决了机器学习中噪声标签学习的挑战。研究表明，CLIPCleaner在基准数据集上表现出色，展示了视觉-语言模型在处理噪声标签学习问题中的潜力。