? 實現方式為：分別抽取圖像和文本特征，然后將一個批次的圖像和文本特征送入判別器，使得配對的跨模態特征聚集在一起，而不配對跨模態特征被拉遠，大數據充分迭代后，模型就能學會將圖像和文本對齊到同一空間。此時，圖像和文本的編碼器可以獨立用于各自下游任務，或協同用于跨模態理解類下游任務。