在人工智能和计算机视觉领域，一种名为CLIP（对比语言-图像预训练）的模型近年来取得了巨大成功，成为了许多视觉和多模态任务的基础。然而，最近的研究表明，CLIP在区分图像中的细节差异方面存在不足，在密集预测和以视觉为中心的多模态任务上表现不佳。