CLIPA

用更少数据和算力，训练出媲美大模型的CLIP

CLIPA是NeurIPS 2023论文的官方开源实现，核心发现是CLIP训练中存在逆缩放定律，即模型容量与数据规模可以按比例缩减而不损失性能。项目提供了高效训练CLIP模型的代码库，支持在有限计算资源下训练出高性能的视觉-语言对比模型。它解决了传统CLIP训练需要海量数据和算力的问题，通过理论指导的缩放策略，将训练成本降低数倍。核心能力包括：基于逆缩放定律的训练配置、高效的图像-文本对训练流程、以及可复现的基准结果。该实现基于Python和PyTorch，适合研究者和工程师在资源受限场景下训练自定义CLIP模型。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 323

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队UCSC-VLAA

所属国家

官网地址

GitHubhttps://github.com/UCSC-VLAA/CLIPA

定价模式free

价格说明开源项目，Apache-2.0 许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型contrastive-learning,deep-learning,foundation-models,multimodal-learning,neurips-2023,pytorch,zero-shot-classification,zero-shot-learning

GitHub 星标★ 323

30天Star增速

HF 下载量

上线时间2023-04-26 00:00:00

最近更新2026-09-13 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数7

使用教程

核心亮点

提出逆缩放定律，显著降低CLIP训练成本，论文被NeurIPS接收，理论扎实
官方实现，代码结构清晰，便于复现论文实验和二次开发
支持灵活配置模型大小和数据规模，适配不同资源条件

不足之处

文档/社区待观察
依赖特定数据预处理流程，上手需一定CLIP背景

适用场景

学术研究：验证逆缩放定律或探索更高效的CLIP训练方法
工业应用：在有限GPU资源下训练定制化图文检索模型
教学演示：展示对比学习与缩放定律的实践案例

替代项目

OpenCLIP、CLIP、SigLIP

项目介绍

CLIPA 是模型训练领域的开源项目，由 UCSC-VLAA 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 523 个项目，GitHub 星标数为 323。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-13。Apache-2.0 许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：验证逆缩放定律或探索更高效的CLIP训练方法。同类可对比的替代方案包括 OpenCLIP、CLIP、SigLIP。

上一篇：deep-delta-learning

下一篇：LRV-Instruction