VLM4Cluster：预训练视觉-语言模型时代的深度聚类基准

VLM4Cluster 是一个涵盖 17 种方法、20 个数据集的图像聚类基准，系统评估了语言辅助聚类（LaIC）在对抗鲁棒性、分布外泛化与计算效率上的表现。研究显示 LaIC 在语义密集基准上显著提升聚类性能，泛化能力更强、效率更优，但在大规模与细粒度数据集上增益不稳定，且未系统降低对抗扰动敏感性。