Zero-shot là dùng model cho một nhiệm vụ mà không huấn luyện thêm trên nhãn của nhiệm vụ đó. CLIP là model học ghép ảnh với câu mô tả; muốn phân loại một ảnh, ta so ảnh với các câu như “ảnh một cái bàn”, “ảnh một cái bảng” rồi chọn câu gần nhất. Với model ngôn ngữ, ta chọn đáp án bằng cách so xác suất model gán cho từng cách viết tiếp. Bài này học cả hai cách, và vì sao điểm cao nhất chưa chắc là đáp án đúng.
Bài này dành cho tài khoản Pro
Mở khóa bằng tài khoản Pro