クロスモーダルなテキスト-分子検索タスクは、分子構造と自然言語記述の間を橋渡しする。従来の手法は主にテキストモダリティと分子モダリティの整合性に注力しているが、訓練の異なる段階における学習状態を適応的に調整する点や、訓練効率を向上させる点を軽視している。これらの課題に取り組むため、本稿では任意のバックボーンと統合可能であり、優れた性能向上を実現する「Curriculum Learningに基づくクロスモーダルテキスト-分子学習フレームワーク（CLASS）」を提案する。具体的には、テキストモダリティと分子モダリティの両方を考慮してサンプルの難易度を定量化し、訓練の進行に伴い「易しいサンプルから難しいサンプルへ」という段階的なアプローチで訓練サンプルを導入するサンプルスケジューラを設計した。これにより、訓練初期段階における訓練サンプルの規模を著しく削減し、訓練効率を向上させた。さらに、訓練の進行に応じて学習強度を適応的に増加させる「適応的強度学習」を導入し、すべてのカリキュラム段階において学習強度を動的に制御できるようにした。ChEBI-20データセットにおける実験結果から、提案手法が優れた性能を達成するとともに、顕著な時間節約効果を示した。