Bati Meng

@xfcygaocan 同问，这里的源码predict函数, 并没有在预测时候用到aspects

其实不会重复下载模型，但是每次都要重复下载md5做本地校验，对于我们挂proxy的也异常难受...

您好，这个结果是logits，未做softmax吧，如果想根据logits计算图文相似度，建议follow CLIP工作的方式，* temperature parameter以后再softmax： logits = (100 * image_features @ text_features.T).softmax(dim=-1)

ILSVRC 2012: [link](https://www.image-net.org/challenges/LSVRC/)

您指的是Wukong-ViT-L吗？我们在paper有验证过性能。您看一下加载的config是否则正确？ 另外，Wukong-ViT-L采用的是细粒度对齐的训练，inference的时候每个patch和token都会参与计算，不是像CLIP一样只使用[CLS]作为图像和文本的global表征。

我们同时翻译了下游任务的英文标签到中文，在主页上公开了下游数据的中文版本（https://wukong-dataset.github.io/wukong-dataset/index.html） As mentioned in the paper, we also provide various benchmarking datasets with human-verified image-text pairs and Chinese labels for model benchmarks.