音频-视觉联合表征

BioVITA：面向视觉-文本-声学对齐的生物数据集、模型与基准

BioVITA: Biological Dataset, Model, and Benchmark for Visual-Textual-Acoustic Alignment

把音频作为第三模态接入 BioCLIP2 式的图文对比表征空间，并给出覆盖三模态全方向、三个分类层级的跨模态检索基准，为视觉研究者提供可复用的多模态对齐训练范式与评测协议。