谢赛宁团队发布MetaCLIP 2模型，支持300多种语言，打破“多语言诅咒”，并提升英语性能。该模型通过扩展元数据、优化筛选算法和调整训练策略，解决了非英语数据处理难题，并在多项任务中创下新SOTA。实验显示，其在ImageNet分类准确率达81.3%，超越纯英语CLIP的80.5%；在多语言图像分类和跨语言检索任务中表现突出。此外，模型嵌入质量更优，在文化多样性任务中表现显著提升。相关论文与代码已开源。