您好，拜读了您的大作，很受启发。
您的论文的摘要中提到：Recent studies have shown that CLIP has achieved remarkable success in performing zero-shot inference while its fine-tuning performance is not satisfactory.... These observations challenge the conventional conclusion that CLIP is not
suitable for fine-tuning...
指出CLIP虽然在零样本推理，尤其是分类任务中效果很好，但是一般认为它不适合微调。我也使用过CLIP，中文和英文版的都试过，将某些自定义的token词和图像进行配对，效果确实不错，感觉CLIP学到的特征很稳健。但是我没有在自己的数据集上微调过CLIP，感觉上，如果特征是好的，那么微调应该效果更好，网络使用的激活都是连续的非线性函数，不会出现类似阶梯函数那样的不连续情况，微调过后，学到的特征应该表达的更好，应该也不会激活后类别判断出错，这只是我的感觉，没有任何证据，所以读到您上面的话有些不解，希望能得到您的解答，非常感谢！
您好，拜读了您的大作，很受启发。
您的论文的摘要中提到：Recent studies have shown that CLIP has achieved remarkable success in performing zero-shot inference while its fine-tuning performance is not satisfactory.... These observations challenge the conventional conclusion that CLIP is not
suitable for fine-tuning...
指出CLIP虽然在零样本推理，尤其是分类任务中效果很好，但是一般认为它不适合微调。我也使用过CLIP，中文和英文版的都试过，将某些自定义的token词和图像进行配对，效果确实不错，感觉CLIP学到的特征很稳健。但是我没有在自己的数据集上微调过CLIP，感觉上，如果特征是好的，那么微调应该效果更好，网络使用的激活都是连续的非线性函数，不会出现类似阶梯函数那样的不连续情况，微调过后，学到的特征应该表达的更好，应该也不会激活后类别判断出错，这只是我的感觉，没有任何证据，所以读到您上面的话有些不解，希望能得到您的解答，非常感谢！