空文本这一行没有分：百度用 BLIP 判别头算匹配概率

空文本这一行没有分：百度用 BLIP 判别头算匹配概率

百度智能云百舸的《图文匹配评分（BLIP ITM）》更新时间是 2026-09-11。这一页是数据处理算子，名字叫 ImageTextMatchingScore。BLIP 是 Salesforce 的图文模型，ITM 是 image-text matching，也就是图文是否匹配的判别头。算子逐行把图像和配对文本送进判别头，输出 0 到 1 的匹配概率。它只产分数，没有阈值，筛样本要放到后面的 pipeline。

分数怎么来

模型用 transformers 的 BlipProcessor 和 BlipForImageTextRetrieval。前向时 use_itm_head=True，取 itm_score 的两类 logits，顺序是「不匹配、匹配」，再做 softmax，留下匹配类概率，保留 6 位小数。

这个分数是判别头的概率，量纲是 0 到 1。它和 CLIP 双塔余弦不是同一个尺度，阈值不能互相搬。CLIP 是把图像和文本各自编成向量再算点积。

只有图像列非空、文本列去掉空白后也非空的行才会推理。其余行直接输出 None。按 batch_size 切微批。某一微批抛异常，只把这一批留成 None，并记 exception 日志，其他批继续。文本由 processor 做 padding 和 truncation，超长按分词器上限截断。图像先转成 RGB。pixel_values 再按 dtype 转精度。

设备：use_gpu 且 CUDA 可用时用 cuda:(rank % 可见卡数)，否则用 CPU。CPU 上如果指定 float16，会打 warning 并退回 float32。权重目录 {model_path}/{model_name} 不存在时，构造阶段抛 FileNotFoundError，不联网下载。image_src_type 和 dtype 在构造期校验。两列长度不一致抛 ValueError。

默认参数

输入列是 images 和 texts。输出列 itm_score 是 float64。任一侧为空，或该微批失败，值为 None。

image_src_type 默认 image_url，也可以是 base64 或 binary。这里的 url 包含本地路径和 BOS 路径。model_path 默认 /opt/aihc/model，注意是 model，不是 models。model_name 默认 Salesforce/blip-itm-base-coco。dtype 默认 float32，可选 float16、float32、bfloat16。batch_size 默认 16。rank 默认 0，多卡时用来选卡。

文档写明两件事。权重必须带 retrieval 或 ITM 头，例如 blip-itm-base-coco。BLIP 的 captioning 权重没有 ITM 头，加载会失败。算子没有 min_score 或 max_score，按分数过滤要在 pipeline 里另做。

示例跑在 Daft 上。actor_udf_ready_timeout 是 6000，min_cpu_per_task 是 0。调用时 num_cpus=1，num_gpus=1，concurrency=1，batch_size=2。这次调用把内部默认的 16 改成了 2。样本是同一张图配两句文本，第二句是空串，按规则这一行应是 None。路径写成占位。

限制

这一页没有准确率，没有和人工判断的对照，也没有建议阈值。0 到 1 是概率范围，不是通过线。空文本和微批失败都写成 None，页面没有第二种状态码把它们分开。示例只有 2 行，不能当成吞吐。CPU 回退 float32 之后慢多少，没有写。

百度智能云，图文匹配评分（BLIP ITM），2026-09-11，https://cloud.baidu.com/doc/AIHC/s/Xmtwqrmar