本研究针对 SemEval-2025 任务 1 中的挑战，即根据给定名词复合词对图像进行排序，采用了生成性大语言模型和多语言 CLIP 模型，以增强习惯用语复合词的表示。研究发现，通过这种方法提取的多模态表示优于仅基于原始名词复合词的表示，显示了该方法在多语言环境下的潜在应用价值。

本研究提出了名为NCL的新框架，用于学习具有判别性的表示，并在聚类性能方面取得了显著提高。实验证明，该框架在CIFAR-100和ImageNet上的聚类准确性分别提高了13％和8％，超过了现有方法。