大佬可以训练一个像jina-clip-v1的中文版这样的话，以后做搜索或是 构建多模态 RAG 应用 就牛了~~

[gg22mm]

CLIP 模型架起了文本和图像的桥梁，但实际上很少有人会用它来进行文本检索，因为CLIP的文本编码器无法有效的对长文本进行语义建模。

为了解决这一问题，jina推出了 Jina CLIP v1，是一个增强版的 OpenAI CLIP 模型，擅长文本-文本、文本-图像、图像-文本、图像-图像四个方向的检索。从现在起，你的 CLIP 模型不仅是图像检索器，更是强大的文本检索器。

https://www.163.com/dy/article/J558VSAP055673VY.html