标签
该论文使用 BabyView 语料库中 2,441 小时的第一视角视频训练对比式视觉语言模型，以检验跨情境词汇学习能力。研究发现，基于互联网数据预训练的视觉表征远优于从儿童发展数据中学到的视觉表征；尽管模型形成了类似人类的语义结构，但其学习轨迹与儿童的学习轨迹存在差异。