视觉-语言模型详解：训练策略与 🤗 Transformers 实践

Hugging Face 撰文介绍视觉-语言（vision-language）联合模型，以 OpenAI 的 CLIP 等为代表，这类模型可处理图像与自然语言文本，擅长图像描述、视觉问答、文本引导图像生成等任务。