英文：Vision-Language Alignment 分类：multimodal
让图像与文本在共享语义空间中对齐的技术，使"图像与描述语义相近"在向量空间中成立，是多模态理解与检索的基石。
实现：对比学习（CLIP 双塔：图文配对拉近）、跨模态注意力（融合）、统一序列建模（图像 Token+文本 Token）；评测：图文检索召回、零样本分类迁移。
用于图文检索（以文搜图/以图搜文）、多模态大模型初始化（CLIP 视觉塔）、推荐（图文多模态）与内容审核；图文对齐决定多模态模型的"语义一致"程度。