CLIP模型在视觉与文本对齐方面表现优异，但在处理长文本和复杂知识时存在不足。为此，同济大学与微软团队提出了LLM2CLIP，通过引入大语言模型（LLM）提升CLIP的文本理解能力，显著改善多模态表示学习效果。LLM2CLIP在零样本检索任务中表现突出，并在中文检索中超越中文CLIP，推动了多模态研究的发展。