[LAB 04 · CLIP：候选、提示与关系检验](/course/notebooks/0ba963931ddf4866b507b210d93a43bf.html)

# 学习路径： 文字候选与图文检索
[独立阅读](/course/notebook-blocks/6ee1d767afb744e18fbfa9989ac3cd72.html)
主线阅读与优先实验

真实CLIP输入/权重/分数、候选改动、四条件规则与独立关系推理

**学习路径：** [文字候选与图文检索](/course/study/clip-retrieval.html)

**固定图像与模型，只改文字候选，哪些量应保持，哪些量会变？** 先读[P58](/course/pages/l3-r2-p58.html)和[候选概率算例](/course/blocks/clip-candidate-probability.html)，再比较本册第1节猫图的四个条件：加候选、换模板、删去cat。

这里的zero-shot是不使用当前下游数据集再训练模型，直接用已有图像和文字编码器比较候选；并不保证相关概念从未进入预训练资料。读结果时同时记录cosine、候选softmax与top-1，解释为什么新增候选可改变softmax却不改变原有cosine。

最短路线：四臂设计 → 已保存真实结果 → 第5节关系反例。开头持球规则是可跳过的解析热身。想重算时按原代码顺序准备；默认`RUN_CLIP=False`、`RUN_FRESH_CLIP=False`，只准备或读缓存，不能称为本次模型推理。模型、照片和2026-09-22复核的来源在各结果旁保留。

完成后留下一个具体对照：固定了什么、改变了什么、哪个分数因此改变。需要把向量做成图库时再进入[LAB 12](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/921eeaf784284ce19568c6ca7619b55a)，不重复做一份猫图实验。