本論文では、コントラスティブ・チューニング（contrastive-tuning）という手法を提案します。これは、コントラスティブ学習を用いて画像とテキストのモデルをアライメントさせつつ、それらの事前学習の利点も活用する単純な方法です。我々の経験的研究では、ロックされた事前学習済み画像モデルとロック解除されたテキストモデルの組み合わせが最良であることが示されました。このコントラスティブ・チューニングの一例を「ロックされた画像のチューニング」（Locked-image Tuning, LiT）と呼びます。LiTは、新しいタスクに対して事前学習済み画像モデルから良い表現を取り出すことを教えるだけで、テキストモデルにゼロショット転移学習の能力を与えます。新たな視覚タスク（画像分類や検索など）へのゼロショット転移が可能となります。提案されたLiTは広く適用可能です。複数の事前学習手法（教師ありおよび教師なし）や多様なアーキテクチャ（ResNet, Vision Transformers, MLP-Mixer）において、3つの異なる画像-テキストデータセットを使用して安定した性能を発揮します。トランスフォーマーに基づく事前学習済みViT-g/14モデルを使用した場合、LiTモデルはImageNetテストセットで85.2%のゼロショット転移精度を達成し、困難な外分布問題であるObjectNetテストセットでも82.5%の精度を達成しました。