从网页文字到训练对应：数据扩大了什么
课堂上下文：从哪个问题来
大规模图文监督的机会来自配对供给，信号质量又取决于描述、选择和筛选。原始 CLIP、LAION 和 OpenCLIP 分属模型研究、数据资源与实现/模型系列，不能互当别名。正面的迁移证据与数据边界一起读，才能理解这种路线为何有效、又在哪些地方需要下一步工作。
网页配图旁的文字可能准确描述对象，也可能只讨论文章主题。图片中有两个杯子，文字却只提其中一个；图文仍相关，却没有提供完整场景标注。这种监督更便于规模化收集，但目标覆盖范围由内容生产与筛选决定。
原始 CLIP 工作收集了 4 亿图文对，并在 30 多个既有视觉数据集上研究迁移。LAION-400M 是后来的开放图文数据资源，包含经 CLIP 过滤的图文对；它不是原始 CLIP 的训练集。OpenCLIP 又是另一层的实现和模型系列，具体权重使用什么数据要逐项核对。
这里存在一个积极反馈：已有模型可以帮助整理更多配对，开放的数据和实现使更多研究者能训练与比较新模型。但筛选器偏好的对应也可能进入数据分布。数量增加提供更多学习机会；对象、语言、关系、质量和去重方式决定这些机会覆盖什么。
回到第一部分的标签供给，人的工作并没有消失，只是有的从逐图填写固定类别，转向写内容、选择资料、定义任务和评价。研究报告需要同时交代模型、数据与接口；单说“用了 CLIP/LAION”还不足以重建学习条件。
同一名称不能同时代替模型、数据资源和实现；学习信号需要追溯来源。 查看对应图解状态
- “两个人站在室内。”
- 收集与筛选
- 保留哪些配对？
- 图文训练
- 配对关系提供目标
- 筛选模型影响材料范围
- CLIP
- 模型与训练方法
- 原始数据由原工作收集
- LAION
- 公开图文数据资源
- 不是原始 CLIP 训练集
- OpenCLIP
- 开源实现与模型
- 不同权重有不同数据配方
- 人工内容、数据处理与筛选都参与信号形成；无额外逐图类别标签并不等于无人类知识。