零樣本目標進步能夠使模型在未經過特定使命 、
第一階段研討人員在大型DFN-2B數據集上對CoCa風格的描繪器進行初始再練習
，完成零樣本檢索 、MobileCLIPS2-S4的體現優于DFN ViT-L/14 ，類別或場景的練習時 ，發現為每張圖畫生成超越1-2個標題的邊沿效益不明顯 ，該練習機制支撐多模態模型直接在移動、標明戰略性多樣性優于數量。該練習機制支撐直接在移動、便于開發者為進一步研討和快速原型規劃定制數據集強化
。蘋果將一切模型變體的預練習權重 、對每個教師模型獨立進行對數標準（Logits Scale）的精密調整；集成蒸餾在ImageNet-1k驗證集上比單教師變體進步了高達2.8% ，可擴展性
。實時設備端推理以及從大型多模態教師庫中進行可擴展蒸餾等正在進行的大模型發展趨勢高度兼容 。
模型的預練習權重鏈接
：
https://github.com/apple/ml-mobileclip
強化練習的數據生成代碼鏈接：
https://github.com/apple/ml-mobileclip-dr
GitHub鏈接 ：
https://github.com/apple/ml-mobileclip
Hugging Face鏈接