平衡的CLIP（1M）

训练CLIP-G耗能超过15KWh，而CLIP-L耗能远少于1KWh

完整的负向强化（余弦相似性）可在我的huggingface获取，此方法与使用潜在空间中完整冻结视觉模型的正向强化（对比损失）相结合。