标题：FG-CLIP实现细粒度跨模态对齐，重塑AI视觉理解

360人工智能研究院发布的FG-CLIP模型解决了传统CLIP的“视觉近视”问题，通过“长文本深度理解”和“细粒度视觉比对”双突破，精准识别局部细节。实验显示，FG-CLIP在细粒度理解、开放词汇检测、图文检索等任务中均优于其他模型。

FG-CLIP采用两阶段训练策略，首阶段通过全局对比学习实现初步对齐，次阶段引入局部对比学习与难细粒度负样本学习，强化局部特征感知。数据集构建方面，通过高质量重写和区域定位，生成了1200万张图像及4000万个边界框标注，同时整合1000万个难细粒度负样本。

实验表明，FG-CLIP在细粒度识别、区域检测、开放词汇目标检测及图文检索等任务中表现优异。研究团队计划开源模型及相关资源，推动技术进步。未来将探索更先进的多模态架构和更多元的数据集，拓展技术边界。

360人工智能研究院主页：https://research.360.cn
GitHub：https://github.com/360CVGroup