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。
原图与描述经过收集筛选进入训练；下方分别说明CLIP模型方法、LAION公开数据和OpenCLIP开源实现。
语言监督的规模，依赖图文配对数据怎样获得和整理。图片旁边的文字可能是描述，也可能只说了背景或网站主题；配对质量不是天然一致的。 LAION 等公开资源使更多研究者能够研究大规模图文学习，但它不是原始 CLIP 的训练集。模型、训练数据和开源实现要分开说，不能把几个名字当同一个东西。 这也回到第一部分的监督供给问题。人不仅可能直接标答案，还可能通过内容生产、筛选与评价影响模型学到什么。数据更多扩大了机会，数据如何组织则决定这些机会里包含什么信号。理解这种条件，才不会把整个变化只归结为参数数量。
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。
原始 CLIP 的训练数据由原工作收集；LAION 是后来的公开图文数据资源，OpenCLIP 是独立的开源实现与模型系列。具体权重使用的训练数据要分别核对。
规模提供机会，但进展还要由明确协议下的迁移结果支持。
CLIP 的论文贡献不只是一种损失公式。原工作研究了 30 多个视觉数据集上的迁移，且报告其 zero-shot 模型在 ImageNet 上达到原始 ResNet-50 的分类准确率水平，而不使用该任务的 128 万张训练样本训练专用分类器。数字与比较属于原论文协议，不能从本课程猫图实验重新推出。
这项结果支持一个明确判断：大规模图文匹配学到的表示，可以通过文字描述定义一批下游分类任务，减少逐任务重新标注和训练固定分类头的需求。语言成为任务指定接口，是对“分类表只能在训练时固定”的实质拓展。
然后再问边界才有意义：候选描述写得好不好、预训练是否覆盖概念、目标数据分布是否变化，都会影响迁移。关系定位和自由生成还要求别的输出。不是因为 CLIP 什么也没有证明而要继续研究，而是它已经打开了可用接口，研究者因此可以追问更细的空间、关系和交互能力。
先区分原始 CLIP、LAION 与 OpenCLIP 的身份，再比较配对收集、筛选和模型训练各自改变什么。结合迁移结果，说明文字监督扩大了哪些任务接口。