CLIP（Contrastive Language–Image Pre-training） 是一種由 OpenAI 提出的多模態模型，可以理解圖片與文字之間的關聯。

它會透過大量的「圖片＋文字描述」進行訓練，學習將相符合的圖片和文字放在相近的向量空間中，因此可以用來做圖片分類、圖片搜尋、文字搜尋圖片等工作。

簡單來說：

CLIP = 讓 AI 能夠理解「圖片」和「文字」之間關係的模型。

CLIP 是一種讓 AI 可以同時理解圖片跟文字關係的技術，它會把圖片和文字都轉成數字向量，再去比較兩者是不是相似。

CLIP 可以指代多種不同的概念，但在近年最熱門的科技領域中，它主要是指由 OpenAI 於 2021 年提出的革命性人工智慧模型 CLIP (Contrastive Language-Image Pre-training)。此外，在數位繪圖、蘋果生態系以及日常生活中也各有不同含義。