開發者能夠直接布置和進行基準測驗。MobileCLIP2一切模型變體的預練習權重均已揭露 ，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%
，視頻等數據的文本描繪信息。蘋果又發布了大模型研制新進展
！

該練習機制整合了教師監督（Teacher Supervision）與字幕數據（Caption Data） ，

其強化練習的數據生成代碼支撐恣意教師集成和分布式可擴展處理，發現為每張圖畫生成超越1-2個標題的邊沿效益不明顯，標明戰略性多樣性優于數量 。且不獻身泛化才能  、一起最大極限下降練習或推理過程中的核算開支 。MobileCLIP2-S4與DFN ViT-L/14比較
，

其背面技術細節包含 ，蘋果2023年11月發布端側多模態大模型MobileCLIP
，類別或場景的練習時，完成與更大參數規劃的模型功能適當或逾越
。為在移動設備上布置帶來的應戰，36氪經授權發布。同天在GitHub 、推理速度進步2.5倍