凝视估计方法由于测试和训练数据之间的域间隙，在跨不同领域进行评估时，经常会出现明显的表现降解。现有方法试图使用各种主要的概括方法来解决此问题，但由于凝视数据集的多样性有限，例如外观，可穿戴和图像质量，因此很少成功。为了克服这些限制，我们提出了一个名为Clip Gaze的新型框架，该框架利用预先训练的视觉模型来利用其可转移的知识。我们的框架是第一个利用视觉和语言跨模式的方法来进行凝视任务。具体来说，我们通过将其从凝视式的功能推开，可以通过语言描述灵活构建，从而提取了与凝视的功能。要学习更多合适的提示，我们建议一种个性化的上下文优化方法，以提示提示。此外，我们还利用凝视样本之间的关系来完善视线相关特征的分布，从而提高了凝视估计模型的概括能力。的实验实验表明，在四个跨域评估上，夹具凝视的表现出色。