属性应来自图像而非类名：面向分布条件的视觉语言模型属性选择

论文发现，CLIP零样本分类中LLM生成的类别描述词缺乏视觉证据，移除类名后ImageNet准确率从59.5%降至15.5%。作者提出从目标图像集合中选择属性：在CLIP联合嵌入空间中对大型属性池评分，选取每类最高分属性。无类名的属性提示在ImageNet达23.8%（高于LLM的15.5%），在四个分布偏移变体上也有提升。每类一张图像时，该方法比prompt-tuning方法CoOp高3个百分点，拟合时间从14小时缩短至1分钟，且无需学习软提示。属性集还可作为数据集的可读摘要，用于描述分布偏移。

相比依赖LLM描述词的传统方法，新方法基于目标图像分布选择属性，显著提升分布偏移下的分类鲁棒性，且计算开销极低（每类一张图、1分钟），无需训练软提示，为可解释零样本分类提供了高效替代方案。

LLM描述词条件于类别标签而非实际图像，因此在数据分布变化时（如彩色草莓变成线描）提供误导性视觉特征。新方法在CLIP嵌入空间中对候选属性与图像计算相似度，选取与图像分布高度一致的属性，这些属性保留了真实视觉证据，从而提升分类准确性和数据描述的可读性。

产品可直接受益：开发者无需耗时训练软提示，即可用少量样本（每类一张图）快速构建可解释属性提示，用于图像分类或数据集摘要；计算成本从14小时降至1分钟，适合需要频繁更新类别的场景（如电商、社交内容审核）。属性集还能文字描述分布偏移，辅助模型监控。

• 为电商平台提供基于少量样本的快速零样本商品分类工具，自动生成可解释属性标签。
• 将属性选择算法集成到数据标注平台，自动为数据集生成文字摘要，辅助数据质量评估。
• 用于模型监控系统：对比生产环境与训练数据的属性集变化，用文字描述分布偏移。
• 作为可解释AI演示模块，向非技术用户展示模型决策依据（如“为什么这张图被认为是草莓?”）。

• 该属性选择方法在医学影像、卫星图等专业领域的效果如何？
• 如何自动构建高质量、覆盖全面的候选属性池？是否需要领域知识？
• 当每类图像数量增加（例如多于一张）时，属性选择的稳定性和性能变化如何？
• 与较新版本的视觉语言模型（如EVA-CLIP、SigLIP）结合时是否保持优势？