Inspirado por el éxito de los modelos de lenguaje a gran escala (LLM), este artículo presenta SpecCLIP, un marco de modelado básico que extiende los métodos basados en LLM al análisis espectral estelar. Los espectros estelares, al igual que los lenguajes estructurados, contienen abundante información física y química sobre las estrellas. SpecCLIP está preentrenado con dos tipos espectrales: LAMOST de baja resolución y Gaia XP, y realiza aprendizaje contrastivo para conectar los espectros adquiridos de diferentes instrumentos mediante el marco CLIP. Se añade un decodificador auxiliar para preservar la información específica del espectro y permitir la conversión entre tipos espectrales, maximizando la información mutua entre las incrustaciones y los espectros de entrada. Esto crea un marco transespectral inherentemente calibrado y flexible entre instrumentos. Se ajusta con un conjunto de datos etiquetados de tamaño mediano para mejorar la adaptabilidad a tareas como la estimación de parámetros estelares y la determinación de la abundancia química, y mejora la precisión de la estimación de parámetros frente a datos de sondeos externos. Las funciones de búsqueda por similitud y predicción transespectral también pueden utilizarse para la detección de anomalías. Como resultado, demostramos que el modelo básico de aprendizaje contrastivo, mejorado con un decodificador consciente del espectro, puede contribuir al avance de la espectroscopia estelar de precisión.
