arXiv new/cross; CLIP/InfoNCE theory · P0 · 2026-07-15

On the modality gap and：它和通用视觉自监督的关系在于：直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法

高相关；详见方法、贡献和实验边界。

On the modality gap and the contrastive loss in multi-modal representation learning　arXiv new/cross; CLIP/InfoNCE theory　原文链接

编号2607.10698 优先级P0 类别arXiv new/cross; CLIP/InfoNCE theory 会议arXiv new/cross; CLIP/InfoNCE theory 方法直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法。高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Left: The proposed xNCE loss function**Figure 2: Left: The proposed xNCE loss function. Numpy like pseudo-code for mixing image and text embeddings. Right: Model behaviour for diferent temperature values. We measure classification accuracy of a linear probe, modality distance as euclidean distance of modality centroids and modality classification accuracy using a linear probe.这张图/表用于判断 On the modality gap and 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**Figureure 6 · : Modality distance progression during training**Figure 6: Modality distance progression during training. All models are initialized using pretrained CLIP weights. No weight updates for the first 200 steps.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 On the modality gap and 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法。

方法拆解

直接解释 CLIP-style dual encoder 的 modality gap，并给出 xNCE 这种 contrastive objective 改法

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

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。

局限与读法

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。