兩者雖然都不依賴人工逐張標註類別，但訓練訊號的來源不同。 CLIP 是拿圖片跟它的說明文字一起看，學會「這張圖跟這句話是一對」。DINO 完全不看文字，只把同一張圖裁成不同角度，逼自己認出「這兩塊還是同一個東西」。 CLIP 採用對比式的圖文預訓練：從網路蒐集大量「圖片與其說明文字」的配對，訓練模型把相符的圖文拉近、不符的推遠，因此它學到的是跨模態的語意對齊能力。DINO 則是純視覺的自監督方法：只用未標註的影像，透過學生與教師網路對同一張圖的不同裁切視角保持一致的表示來學習，完全沒有用到文字。