SigLIP【全称：Sigmoid Loss for Language Image Pre-Training】，SigLIP是在batch内，利用sigmod对文-图对做二分类；CLIP是在batch内，利用softmax对文-图对做多分类。 SigLIP不需要对两两相似进行全局归一化，这样的做法允许扩大batch的大小，同时在较小的batch下也能表现的好。 如下 ...