一水 发自 凹非寺
量子位 | 公众号 QbitAI

谢赛宁团队新作正在引起热议！

一直以来，作为文生图基石的CLIP模型主要基于英文数据训练，但实际上，全球互联网仍有超过50%的非英文数据。

为了将CLIP模型进一步扩展，研究人员需要搞定两大“拦路虎”：

• 缺乏处理非英语数据的筛选方法；
• 现有多语言CLIP的英语性能比纯英语版本差（即所谓的“多语言诅咒”）。

而谢赛宁团队正是在这两方面取得突破。他们提出了首个基于全球数据从头训练的CLIP——MetaCLIP 2，通过扩展元数据、优化筛选和提升模型容量，斩获了以下成果：

1. 搭建了能处理300多种语言的CLIP数据整理流程。
2. 打破了“多语言诅咒”，不仅没有影响英语任务的表现，而且反倒还提升了。

论文一作Yung-Sung Chuang（MIT博士生、现Meta实习生）激动表示：

是时候告别语言过滤器了！

刚被小扎从OpenAI挖走的Lucas Beyer也出来对这一观点表示认同，顺带还感谢了论文中的引用：

很高兴看到我们提出并始终倡导的“NoFilter”理念能在MetaCLIP 2中得到应用。

这就是正确的道路！

这也引来了谢赛宁本人的回应：

早在MetaCLIP中，团队的目标也是NoFilter（与其搞复杂过滤，不如相信原始数据的价值）。

我也认为NoFilter才是正道。

下面详细来看MetaCLIP 2所采用的方法。

基于MetaCLIP，进一步优化结构和流程

概括而言，为了让CLIP模型能从全球数据中学习，MetaCLIP 2采用了三大关键创新：

• 构建全球元数据
• 实施全球筛选算法
• 构建全球模型的训练框架

开始之前，论文先回顾了原始MetaCLIP所采用的思路。

简单说，其筛选逻辑主要分三步：

1. 从英语WordNet、维基百科提取50万个 “视觉概念”，组成元数据列表M；

2. 用这些概念匹配图像-文本对的描述文字（逐个检查文本里的内容，看能否匹配到M里的词条）；

3. 设定一个阈值t，通过 “平衡机制”（控制头部/尾部概念的比例）筛选数据，确保“猫”“狗”这类常见概念和“深海生物”“小众建筑”这类少见概念分布合理。

顺便一提，OpenAI CLIP将t设置为20k，而MetaCLIP为了适配十亿级英语数据，把t调高到170k ，让平衡策略更适合大规模数据。

而MetaCLIP 2，正是在英文MetaCLIP的基础上，进一步优化了架构和流程。

这第一步非常简单，无非是将之前的元数据扩展到300多种语言。

具体而言，它现在包含了多语言的WordNet和各国维基百科的词汇，有点像给每种语言都编了一套 “视觉概念词典”。

然后用算法给每种语言“量身筛数据”。

先是识别文字是哪种语言，再用对应语言的“字典”去匹配图像-文字对。

同时给每种语言设立单独的筛选标准（比如控制“常见概念”和“少见概念”的比例），确保每种语言的数据分布合理，不会出现某类内容过多的情况。

下图为MetaCLIP 2筛选全球多语言图像-文本对的伪代码（用Python/NumPy风格编写）：

最后再调整训练策略，避免“顾此失彼”。

一方面，鉴于全球数据变多了，所以团队按比例增加了训练时“见过的样本量”（比如扩大2.3倍），保证英语样本量不减少。

另一方面，团队发现模型大小很关键——小一点的模型（如ViT-L/14）还会受“多语言诅咒”，但大一点的ViT-H/14能打破诅咒，让英语和非英语能力一起提升。

p.s. 大语言模型中的“多语言诅咒”是指，当模型在多语言数据上进行训练时，出现某些特定语言（尤其是原本表现较好的语言，如英语 ）性能下降的现象。

采用以上数据筛选方法，MetaCLIP 2与NoFilter理念形成了深度协同——筛选逻辑的本质从“语言过滤”（如直接排除非英语数据）转向“概念平衡”，从“排除数据”（如用单一标准排除数据）转向“优化分布”。

多语言任务创下新SOTA，还打破了“多语言诅咒”

为了验证方法的有效性，团队基于全网公开数据（英语占44%，非英语占56%）进行了实验。

训练配置上，团队基本沿用OpenAI CLIP/MetaCLIP的参数，仅调整样本量（如ViT-H/14用290亿样本）和模型容量。

实验结果显示，MetaCLIP 2在多项测试中表现亮眼：

首先，它打破了大语言模型领域存在的“多语言诅咒”，证明学了非英语数据后，英语能力不仅没有下降，甚至反而变强了。

例如，它在ImageNet识别日常物品上准确率达到81.3%，超过纯英语CLIP的80.5%。

其次，它在多语言测试中（如用280种语言给图片分类、跨36种语言搜图），成绩远超之前的mSigLIP、SigLIP 2等模型。

还是上面这张图，它在Babel-ImageNet多语言图像分类任务里，取得了50.2%的准确率；在XM3600图像到文本检索任务中，检索匹配的准确率达到64.3%。

更有意思的是，MetaCLIP 2不仅更懂“文化多样性”，而且嵌入质量也更优。

一方面，它在文化多样性任务（如地理定位）上表现更优，如在Dollar Street、GLDv2等数据集上，全球数据训练的模型准确率显著高于纯英语或纯非英语模型。

另一方面，它在对齐性（图像-文本相关性）和均匀性（视觉嵌入分布）上的得分同样更优。

划重点，目前相关数据和代码均已开源了~

论文：
https://arxiv.org/abs/2507.22062
代码地址：
https://github.com/facebookresearch/MetaCLIP

参考链接：
[1]https://x.com/YungSungChuang/status/1950575753449681350
[2]https://x.com/giffmana/status/1950657494709125447
[3]https://x.com/sainingxie/status/1950689320722952550