CLIP（Contrastive Language-Image Pre-training）是OpenAI开发的跨模态模型，它能够将文本和图片映射到同一个向量空间，从而衡量文本描述与图片内容的匹配程度。在文生图领域，CLIP常被用作自动评估工具——当AI生成一张图片后，可以用CLIP计算”提示词”与”生成图片”之间的相似度分数，以此评判文生图的质量和一致性。CLIP打分的优点在于速度快、可重复，不需要人工评价。但它的局限性也同样明显：CLIP分数高并不一定代表人类觉得好，因为审美、创意、情感等主观因素很难被量化。本视频带你全面了解CLIP的原理及其在文生图评估中的正确使用方式。