联合视频-文本嵌入模型零标注检索复现 Karpathy 2019「向车队要难例」预言

联合视频-文本嵌入模型在约 298 万个视频窗口中，以零标注方式检索出 24 个“自行车装在车架或车尾”的匹配窗口，0.15 秒返回结果。这复现了 Karpathy 2019 年演讲中依靠特斯拉车队收集、挖掘并标注困难样本才能获得的难例。