arXiv 新增 · P0 · 2026-05-23

What Does the Caption Really Say?：它和通用视觉自监督的关系在于：用短语级反事实干预选择 CLIP 预训练数据，贴近通用 VL 表征

高相关；详见方法、贡献和实验边界。

What Does the Caption Really Say?　arXiv 新增　原文链接

编号2605.22651 优先级P0 类别arXiv 新增会议arXiv 新增方法用短语级反事实干预选择 CLIP 预训练数据，贴近通用 VL 表征来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用短语级反事实干预选择 CLIP 预训练数据，贴近通用 VL 表征。高相关；详见方法、贡献和实验边界。

核心问题

它和通用视觉自监督的关系在于：用短语级反事实干预选择 CLIP 预训练数据，贴近通用 VL 表征。

用短语级反事实干预选择 CLIP 预训练数据，贴近通用 VL 表征

高相关；详见方法、贡献和实验边界。

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。