大语言模型（LLM）是基于海量文本训练的深度学习模型，具备文本理解、文本生成能力，可完成翻译、问答、摘要、对话等任务。文本、图像、视频、音频。多模态模型可以同时处理、理解多种不同类型的信息。2020 年 CVPR 顶会，Google 发表论文，首次将纯 Transformer 大规模应用在图像任务，打破 CNN 在视觉领域的垄断。CLIP 全称图文对比学习模型，是多模态领域的基础底座，核心实现图像

指标名称计算公式物理意义特点查准率(Precision)PTPTPFPPTPFPTP​预测为正的样本中真正正样本的比例衡量模型"不把负样本判为正样本"的能力，值越高越"挑剔"查全率(Recall)RTPTPFNRTPFNTP​所有真正正样本中被正确识别的比例衡量模型"不漏掉正样本"的能力，值越高越"全面"准确率(Accuracy)AccuracyTPTNTPFPTNFNAccuracy。