用站内的美食+风景图片微调Qwen3-VL-2B-Embedding模型，

DINO是纯拉开单图的距离，训了。

如果有每个图所在的POI（店铺/景点）text信息，纯图对比学习，把这些POI信息融入：（实现了跨卡对比学习）

输入：图片A
batch内正例：图片A的augment图
batch内负例：其他POI的图

其中，其他POI = 图片所在POI的其他POI，
为提升负例难度，将相似的其他POI作为负例：把 POI类目 相同的POI聚到一个batch里。

尝试了image2text生成式训练 然后取图片emb。

尝试了图文CLIP训练。

尝试了卡相似度阈值卡正负例：就是推理好的Base模型的embedding，在训练时算两两相似度，给正负例卡阈值分数。

尝试了用Qwen3.5多模态模型写提示词 推理选出高质量的站内图，训练。

都没能明显超越Base模型。