CLIP1是一个多模态表示学习模型，促进了视觉与语言的结合，特别是在中文领域。研究表明，中文CLIP在跨模态检索任务中优于原始CLIP，尤其在中文数据集上。通过两阶段预训练方法，中文CLIP有效建模中文图像数据，提升了训练效率和效果。