QLIP（Quantized Language-Image Pretraining）是英伟达等推出的视觉标记化方法，结合高质量的图像重建和零样本图像理解能力。QLIP二进制球形量化（BSQ）的自编码器进行训练，同时优化重建目标和语言-图像对齐目标。QLIP能作为视觉编码器或图像标记器，无缝集成到多模态模型中，在理解与生成任务中表现出色。QLIP为统一多模态模型的开发提供新的思路。

QLIP – 英伟达推出的视觉标记化方法 第1张
（图片来源网络，侵删）
QLIP – 英伟达推出的视觉标记化方法 第2张
（图片来源网络，侵删）