人工智能考試題及答案2025一、單項(xiàng)選擇題（每題2分，共40分）1.以下哪項(xiàng)屬于監(jiān)督學(xué)習(xí)任務(wù)？A.對(duì)用戶評(píng)論進(jìn)行情感分類（積極/消極）B.對(duì)未標(biāo)注的客戶交易數(shù)據(jù)進(jìn)行聚類分析C.用自編碼器提取圖像特征D.通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練機(jī)器人走迷宮2.在深度學(xué)習(xí)中，交叉熵?fù)p失函數(shù)通常用于以下哪種任務(wù)？A.回歸預(yù)測(cè)（如房?jī)r(jià)預(yù)測(cè)）B.二分類或多分類（如圖像分類）C.生成任務(wù)（如GAN生成圖像）D.無(wú)監(jiān)督學(xué)習(xí)（如降維）3.Transformer模型中，“多頭注意力”機(jī)制的主要作用是？A.減少計(jì)算復(fù)雜度B.捕捉不同子空間的上下文信息C.替代循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）D.增強(qiáng)模型的記憶能力4.以下哪種方法最適合解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失問(wèn)題？A.使用sigmoid激活函數(shù)B.增加網(wǎng)絡(luò)層數(shù)C.引入殘差連接（ResidualConnection）D.降低學(xué)習(xí)率5.強(qiáng)化學(xué)習(xí)中，“獎(jiǎng)勵(lì)函數(shù)”的核心作用是？A.定義智能體的目標(biāo)B.加速模型訓(xùn)練C.減少過(guò)擬合風(fēng)險(xiǎn)D.優(yōu)化網(wǎng)絡(luò)參數(shù)初始化6.生成對(duì)抗網(wǎng)絡(luò)（GAN）由哪兩個(gè)部分組成？A.編碼器和解碼器B.生成器和判別器C.預(yù)訓(xùn)練模型和微調(diào)模型D.卷積層和全連接層7.在BERT模型的預(yù)訓(xùn)練任務(wù)中，“掩碼語(yǔ)言模型（MLM）”的具體操作是？A.隨機(jī)替換句子中的單詞為其他詞B.隨機(jī)遮蓋句子中15%的詞，讓模型預(yù)測(cè)被遮蓋的詞C.預(yù)測(cè)兩個(gè)句子是否為連續(xù)上下文D.對(duì)句子進(jìn)行情感分類8.遷移學(xué)習(xí)的核心思想是？A.將源任務(wù)的知識(shí)遷移到目標(biāo)任務(wù)，減少目標(biāo)任務(wù)對(duì)數(shù)據(jù)量的需求B.僅使用目標(biāo)任務(wù)的數(shù)據(jù)訓(xùn)練模型C.完全復(fù)用源任務(wù)的模型參數(shù)，不做調(diào)整D.通過(guò)增加網(wǎng)絡(luò)層數(shù)提升模型泛化能力9.以下哪種情況最可能導(dǎo)致模型過(guò)擬合？A.訓(xùn)練數(shù)據(jù)量小，但模型復(fù)雜度高B.訓(xùn)練數(shù)據(jù)量小，模型復(fù)雜度低C.訓(xùn)練數(shù)據(jù)量大，模型復(fù)雜度高D.訓(xùn)練數(shù)據(jù)量大，模型復(fù)雜度低10.決策樹中，“信息增益”用于選擇最優(yōu)分裂特征，其計(jì)算基于以下哪個(gè)指標(biāo)？A.基尼系數(shù)（GiniIndex）B.熵（Entropy）C.均方誤差（MSE）D.交叉熵?fù)p失11.在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，“感受野（ReceptiveField）”指的是？A.卷積核的大小（如3×3）B.特征圖中一個(gè)像素對(duì)應(yīng)的原始輸入圖像的區(qū)域C.全連接層的神經(jīng)元數(shù)量D.池化操作的步長(zhǎng)12.以下哪種優(yōu)化器結(jié)合了動(dòng)量（Momentum）和RMSProp的思想？A.SGD（隨機(jī)梯度下降）B.AdamC.AdagradD.Adadelta13.自然語(yǔ)言處理（NLP）中，“詞嵌入（WordEmbedding）”的主要目的是？A.將離散的詞語(yǔ)轉(zhuǎn)換為連續(xù)的向量表示，捕捉語(yǔ)義關(guān)聯(lián)B.減少文本數(shù)據(jù)的長(zhǎng)度C.替代循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）D.提高模型的計(jì)算速度14.在目標(biāo)檢測(cè)任務(wù)中，YOLO（YouOnlyLookOnce）模型的核心特點(diǎn)是？A.采用兩階段檢測(cè)（先候選區(qū)域，再分類）B.單階段端到端檢測(cè)，速度快C.僅適用于小目標(biāo)檢測(cè)D.依賴手工設(shè)計(jì)的特征（如HOG）15.以下哪項(xiàng)是多模態(tài)學(xué)習(xí)（MultimodalLearning）的典型應(yīng)用？A.僅用文本數(shù)據(jù)訓(xùn)練情感分類模型B.結(jié)合圖像和文本數(shù)據(jù)生成圖像描述（ImageCaptioning）C.僅用語(yǔ)音數(shù)據(jù)識(shí)別說(shuō)話人身份D.用單一模態(tài)數(shù)據(jù)訓(xùn)練推薦系統(tǒng)16.強(qiáng)化學(xué)習(xí)中的“策略（Policy）”是指？A.智能體在給定狀態(tài)下選擇動(dòng)作的規(guī)則B.環(huán)境對(duì)動(dòng)作的反饋（獎(jiǎng)勵(lì)）C.狀態(tài)轉(zhuǎn)移的概率分布D.價(jià)值函數(shù)的估計(jì)方法17.在對(duì)抗樣本（AdversarialExample）攻擊中，攻擊者通常通過(guò)以下哪種方式干擾模型？A.向輸入數(shù)據(jù)添加微小擾動(dòng)，導(dǎo)致模型錯(cuò)誤分類B.刪除輸入數(shù)據(jù)的關(guān)鍵部分C.增加訓(xùn)練數(shù)據(jù)的噪聲D.修改模型的結(jié)構(gòu)參數(shù)18.以下哪種技術(shù)可以提升模型的可解釋性？A.增加網(wǎng)絡(luò)層數(shù)B.使用注意力可視化（如Grad-CAM）C.隨機(jī)初始化模型參數(shù)D.提高模型的預(yù)測(cè)準(zhǔn)確率19.聯(lián)邦學(xué)習(xí)（FederatedLearning）的主要優(yōu)勢(shì)是？A.集中所有數(shù)據(jù)訓(xùn)練，提升模型性能B.在不傳輸原始數(shù)據(jù)的前提下，聯(lián)合多個(gè)設(shè)備訓(xùn)練模型，保護(hù)隱私C.僅用單個(gè)設(shè)備的數(shù)據(jù)訓(xùn)練模型D.減少模型的計(jì)算復(fù)雜度20.人工智能倫理中，“算法公平性（AlgorithmFairness）”主要關(guān)注？A.模型的計(jì)算速度是否公平B.模型對(duì)不同群體（如性別、種族）的預(yù)測(cè)是否存在系統(tǒng)性偏見(jiàn)C.模型的參數(shù)數(shù)量是否公平分配D.訓(xùn)練數(shù)據(jù)的收集方式是否公平二、填空題（每題2分，共20分）1.深度學(xué)習(xí)中常用的激活函數(shù)ReLU的數(shù)學(xué)表達(dá)式是__________。2.梯度下降的三種主要變體包括批量梯度下降（BatchGD）、隨機(jī)梯度下降（SGD）和__________。3.Transformer模型中，位置編碼（PositionalEncoding）的作用是__________。4.BERT模型的輸入表示由詞向量（TokenEmbedding）、段向量（SegmentEmbedding）和__________三部分相加得到。5.生成對(duì)抗網(wǎng)絡(luò)（GAN）的目標(biāo)函數(shù)可以形式化為：min_Gmax_D[E_{x~p_data}[logD(x)]+E_{z~p_z}[log(1-D(G(z)))]]，其中G代表__________，D代表__________。6.長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）通過(guò)__________、遺忘門和輸出門三種門控機(jī)制解決RNN的梯度消失問(wèn)題。7.自注意力（Self-Attention）機(jī)制的計(jì)算步驟可概括為：將查詢（Query）、鍵（Key）、值（Value）通過(guò)點(diǎn)積計(jì)算注意力分?jǐn)?shù)，再通過(guò)__________函數(shù)歸一化，最后加權(quán)求和得到輸出。8.在圖像分類任務(wù)中，ResNet（殘差網(wǎng)絡(luò)）通過(guò)引入__________解決了深層網(wǎng)絡(luò)的退化問(wèn)題（準(zhǔn)確率隨層數(shù)增加而下降）。9.強(qiáng)化學(xué)習(xí)中，策略梯度（PolicyGradient）方法直接優(yōu)化的目標(biāo)是__________的期望。10.計(jì)算機(jī)視覺(jué)中，“語(yǔ)義分割（SemanticSegmentation）”的任務(wù)是為圖像中每個(gè)像素分配__________。三、簡(jiǎn)答題（每題8分，共40分）1.簡(jiǎn)述反向傳播（Backpropagation）算法的核心步驟，并說(shuō)明其在深度學(xué)習(xí)中的作用。2.對(duì)比卷積神經(jīng)網(wǎng)絡(luò)（CNN）與Transformer在圖像任務(wù)中的優(yōu)缺點(diǎn)。3.自然語(yǔ)言處理中，預(yù)訓(xùn)練模型（如BERT、GPT）的遷移學(xué)習(xí)（TransferLearning）是如何實(shí)現(xiàn)的？其優(yōu)勢(shì)是什么？4.解釋“過(guò)擬合（Overfitting）”的概念，并列舉至少三種解決過(guò)擬合的常用方法。5.什么是多模態(tài)大模型（如GPT-4、PaLM-E）？其關(guān)鍵技術(shù)挑戰(zhàn)有哪些？四、綜合應(yīng)用題（每題20分，共40分）1.設(shè)計(jì)一個(gè)基于深度學(xué)習(xí)的醫(yī)療影像診斷模型，用于肺癌早期篩查（輸入為胸部CT圖像，輸出為“正?！被颉胺伟钡亩诸惤Y(jié)果）。要求：（1）寫出模型的整體架構(gòu)（包括數(shù)據(jù)預(yù)處理、骨干網(wǎng)絡(luò)、頭部網(wǎng)絡(luò)等模塊）；（2）說(shuō)明數(shù)據(jù)預(yù)處理的具體步驟（如歸一化、數(shù)據(jù)增強(qiáng)等）；（3）選擇合適的損失函數(shù)和評(píng)估指標(biāo)，并解釋原因；（4）列舉至少兩項(xiàng)需要考慮的倫理與安全問(wèn)題。2.某電商平臺(tái)計(jì)劃開發(fā)一個(gè)多模態(tài)智能客服系統(tǒng)，支持用戶通過(guò)文本或圖像提問(wèn)（如“這件衣服有紅色嗎？”并上傳衣服圖片），系統(tǒng)需生成準(zhǔn)確回答。請(qǐng)?jiān)O(shè)計(jì)該系統(tǒng)的技術(shù)方案，要求：（1）描述系統(tǒng)的核心模塊（如圖像編碼器、文本編碼器、多模態(tài)融合模塊、生成模塊）；（2）說(shuō)明數(shù)據(jù)需求（如數(shù)據(jù)類型、標(biāo)注要求）；（3）選擇合適的模型（如Vision-Language模型）并簡(jiǎn)述其工作流程；（4）列舉至少兩項(xiàng)系統(tǒng)優(yōu)化方向（如提升響應(yīng)速度、減少偏見(jiàn)）。答案一、單項(xiàng)選擇題1-5：ABBCA6-10：BBAAB11-15：BBABB16-20：AABBB（解析示例：第1題，監(jiān)督學(xué)習(xí)需要標(biāo)注數(shù)據(jù)，情感分類有“積極/消極”標(biāo)簽，屬于監(jiān)督學(xué)習(xí)；聚類、自編碼器、強(qiáng)化學(xué)習(xí)（無(wú)明確監(jiān)督信號(hào)）屬于無(wú)監(jiān)督或強(qiáng)化學(xué)習(xí)。第3題，多頭注意力通過(guò)多個(gè)注意力頭學(xué)習(xí)不同子空間的上下文信息，提升模型對(duì)不同特征的捕捉能力。）二、填空題1.max(0,x)2.小批量梯度下降（Mini-BatchGD）3.向模型傳遞序列中token的位置信息（因?yàn)門ransformer本身不具備序列順序的感知能力）4.位置向量（PositionEmbedding）5.生成器；判別器6.輸入門7.Softmax8.殘差塊（ResidualBlock）或“跳躍連接（SkipConnection）”9.累積獎(jiǎng)勵(lì)（或“長(zhǎng)期獎(jiǎng)勵(lì)”）10.類別標(biāo)簽（如“血管”“腫瘤”等）三、簡(jiǎn)答題1.反向傳播算法的核心步驟：（1）前向傳播：輸入數(shù)據(jù)通過(guò)網(wǎng)絡(luò)各層計(jì)算，得到預(yù)測(cè)輸出；（2）計(jì)算損失：根據(jù)預(yù)測(cè)輸出與真實(shí)標(biāo)簽，計(jì)算損失函數(shù)值（如交叉熵?fù)p失）；（3）反向傳播：從輸出層開始，利用鏈?zhǔn)椒▌t逐層計(jì)算各參數(shù)的梯度（即損失對(duì)參數(shù)的偏導(dǎo)數(shù)）；（4）參數(shù)更新：根據(jù)梯度和學(xué)習(xí)率，更新各層參數(shù)（如權(quán)重和偏置）。作用：反向傳播是深度學(xué)習(xí)中優(yōu)化模型參數(shù)的核心方法，通過(guò)高效計(jì)算梯度，使模型能夠從數(shù)據(jù)中學(xué)習(xí)到有用特征，提升預(yù)測(cè)性能。2.CNN與Transformer在圖像任務(wù)中的對(duì)比：CNN優(yōu)點(diǎn)：-局部感知：通過(guò)卷積核捕捉局部空間特征（如邊緣、紋理），符合圖像的局部相關(guān)性；-權(quán)值共享：減少參數(shù)數(shù)量，降低過(guò)擬合風(fēng)險(xiǎn)；-計(jì)算高效：卷積操作可通過(guò)GPU并行加速，適合處理高分辨率圖像。CNN缺點(diǎn)：-全局依賴捕捉能力弱：對(duì)長(zhǎng)距離像素關(guān)系（如跨區(qū)域結(jié)構(gòu)）建模能力有限；-感受野受限于卷積核大小和層數(shù)，需堆疊多層擴(kuò)大感受野。Transformer優(yōu)點(diǎn)：-全局注意力：通過(guò)自注意力機(jī)制直接建模任意兩個(gè)像素的關(guān)系，捕捉長(zhǎng)距離依賴；-結(jié)構(gòu)統(tǒng)一：無(wú)需手工設(shè)計(jì)卷積核，適應(yīng)性更強(qiáng)（如ViT直接將圖像分塊后輸入Transformer）。Transformer缺點(diǎn)：-計(jì)算復(fù)雜度高：自注意力的時(shí)間復(fù)雜度為O(n2)（n為序列長(zhǎng)度），對(duì)高分辨率圖像（分塊后序列長(zhǎng)）計(jì)算成本高；-位置信息依賴顯式編碼：需額外添加位置編碼，否則模型無(wú)法感知像素的空間順序。3.預(yù)訓(xùn)練模型的遷移學(xué)習(xí)實(shí)現(xiàn)與優(yōu)勢(shì)：實(shí)現(xiàn)方式：（1）預(yù)訓(xùn)練階段：在大規(guī)模無(wú)標(biāo)注或弱標(biāo)注數(shù)據(jù)（如維基百科、社交媒體文本）上訓(xùn)練通用語(yǔ)言模型（如BERT通過(guò)MLM和NSP任務(wù)，GPT通過(guò)自回歸生成任務(wù)）；（2）微調(diào)階段：在目標(biāo)任務(wù)的小規(guī)模標(biāo)注數(shù)據(jù)上，固定預(yù)訓(xùn)練模型的大部分參數(shù)，僅調(diào)整輸出層（或少量上層參數(shù)），使模型適應(yīng)具體任務(wù)（如情感分類、問(wèn)答系統(tǒng)）。優(yōu)勢(shì)：-減少數(shù)據(jù)需求：利用預(yù)訓(xùn)練階段學(xué)習(xí)的通用語(yǔ)義特征，目標(biāo)任務(wù)僅需少量標(biāo)注數(shù)據(jù)即可達(dá)到較好效果；-提升模型性能：預(yù)訓(xùn)練階段學(xué)習(xí)的深層特征（如詞法、句法、語(yǔ)義信息）比手工特征更豐富；-泛化能力強(qiáng)：預(yù)訓(xùn)練模型在多領(lǐng)域（如醫(yī)療、法律文本）的遷移效果優(yōu)于從頭訓(xùn)練的模型。4.過(guò)擬合的概念與解決方法：概念：過(guò)擬合指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好（損失低、準(zhǔn)確率高），但在未見(jiàn)過(guò)的測(cè)試數(shù)據(jù)上表現(xiàn)差（泛化能力弱），本質(zhì)是模型過(guò)度學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲或細(xì)節(jié)特征。解決方法：（1）增加訓(xùn)練數(shù)據(jù)：通過(guò)數(shù)據(jù)增強(qiáng)（如圖像旋轉(zhuǎn)、翻轉(zhuǎn)，文本同義詞替換）擴(kuò)大數(shù)據(jù)量；（2）正則化：添加L1/L2正則化項(xiàng)到損失函數(shù)，限制模型參數(shù)的大小（如L2正則化通過(guò)懲罰大的權(quán)重抑制過(guò)擬合）；（3）降低模型復(fù)雜度：減少網(wǎng)絡(luò)層數(shù)或神經(jīng)元數(shù)量，避免模型過(guò)于復(fù)雜；（4）早停（EarlyStopping）：在驗(yàn)證集損失不再下降時(shí)提前終止訓(xùn)練，避免模型過(guò)度擬合訓(xùn)練數(shù)據(jù)；（5）丟棄法（Dropout）：訓(xùn)練時(shí)隨機(jī)失活部分神經(jīng)元，強(qiáng)制模型學(xué)習(xí)更魯棒的特征。5.多模態(tài)大模型的定義與關(guān)鍵挑戰(zhàn)：定義：多模態(tài)大模型是能夠同時(shí)處理文本、圖像、語(yǔ)音、視頻等多種模態(tài)數(shù)據(jù)，并實(shí)現(xiàn)跨模態(tài)理解與生成的大規(guī)模人工智能模型（如GPT-4支持圖像輸入，PaLM-E結(jié)合視覺(jué)與語(yǔ)言）。關(guān)鍵挑戰(zhàn)：（1）跨模態(tài)對(duì)齊：不同模態(tài)的數(shù)據(jù)（如圖像像素與文本token）的語(yǔ)義空間差異大，需設(shè)計(jì)高效的對(duì)齊方法（如交叉注意力機(jī)制）；（2）計(jì)算與存儲(chǔ)成本：多模態(tài)大模型參數(shù)規(guī)模可達(dá)千億級(jí)，訓(xùn)練與推理需高性能計(jì)算資源（如GPU集群）；（3）模態(tài)平衡：不同模態(tài)數(shù)據(jù)的信息量不均衡（如圖像包含大量視覺(jué)細(xì)節(jié)，文本包含明確語(yǔ)義），需避免模型偏向某一模態(tài)；（4）可解釋性：多模態(tài)交互的決策過(guò)程復(fù)雜，難以追蹤模型如何結(jié)合不同模態(tài)信息做出判斷；（5）倫理與安全：跨模態(tài)生成內(nèi)容（如圖文生成）可能被用于偽造信息（如深度偽造），需設(shè)計(jì)風(fēng)險(xiǎn)控制機(jī)制。四、綜合應(yīng)用題1.醫(yī)療影像診斷模型設(shè)計(jì)：（1）模型架構(gòu)：-數(shù)據(jù)預(yù)處理模塊：輸入為胸部CT圖像（DICOM格式），首先轉(zhuǎn)換為灰度圖（單通道），裁剪至固定尺寸（如512×512），然后進(jìn)行窗寬窗位調(diào)整（突出肺部組織），最后歸一化（像素值映射到[0,1]）。-骨干網(wǎng)絡(luò)：采用ResNet-50（或VisionTransformer，如ViT-Base）提取圖像特征。ResNet通過(guò)殘差塊避免深層網(wǎng)絡(luò)退化，適合捕捉肺部結(jié)節(jié)的細(xì)節(jié)特征；ViT通過(guò)自注意力捕捉結(jié)節(jié)與周圍組織的全局關(guān)系。-頭部網(wǎng)絡(luò)：骨干網(wǎng)絡(luò)輸出的特征經(jīng)全局平均池化（GAP）降維后，連接2層全連接層（隱藏層用ReLU激活），最后通過(guò)Sigmoid激活函數(shù)輸出二分類概率（“肺癌”概率）。（2）數(shù)據(jù)預(yù)處理具體步驟：-格式轉(zhuǎn)換：將DICOM圖像轉(zhuǎn)換為Numpy數(shù)組，提取像素矩陣；-感興趣區(qū)域裁剪：使用肺部分割模型（如U-Net）分割出肺部區(qū)域，去除其他組織（如骨骼、肌肉）；-數(shù)據(jù)增強(qiáng)（訓(xùn)練階段）：隨機(jī)旋轉(zhuǎn)（±15°）、水平翻轉(zhuǎn)、縮放（0.9-1.1倍）、添加高斯噪聲（模擬不同設(shè)備的成像差異），提升模型泛化能力；-歸一化：采用Z-score標(biāo)準(zhǔn)化（像素值減去均值，除以標(biāo)準(zhǔn)差），使數(shù)據(jù)分布更穩(wěn)定。（3）損失函數(shù)與評(píng)估指標(biāo)：-損失函數(shù)：選擇二元交叉熵（BinaryCross-Entropy）損失，因?yàn)槿蝿?wù)是二分類，該損失函數(shù)直接優(yōu)化分類概率，與Sigmoid輸出匹配。-評(píng)估指標(biāo)：-準(zhǔn)確率（Accuracy）：整體分類正確的比例；-召回率（Recall）：實(shí)際為肺癌的樣本中被正確識(shí)別的比例（肺癌為罕見(jiàn)病，需重點(diǎn)關(guān)注召回率，避免漏診）；-F1分?jǐn)?shù)：綜合精確率與召回率的調(diào)和平均，平衡兩者表現(xiàn)；-AUC-ROC：反映模型在不同閾值下的分類性能，對(duì)正負(fù)樣本不平衡不敏感（肺癌樣本通常較少）。（4）倫理與安全問(wèn)題：-數(shù)據(jù)隱私：CT圖像包含患者個(gè)人健康信息，需進(jìn)行去標(biāo)識(shí)化處理（如刪除姓名、ID），并通過(guò)聯(lián)邦學(xué)習(xí)等技術(shù)在醫(yī)院本地訓(xùn)練模型，避免數(shù)據(jù)泄露；-模型公平性：確保模型對(duì)不同年齡、性別、種族患者的診斷準(zhǔn)確率無(wú)顯著差異（需按人口統(tǒng)計(jì)學(xué)分組評(píng)估性能）；-可解釋性：通過(guò)Grad-CAM等可視化技術(shù)顯示模型關(guān)注的肺部區(qū)域（如結(jié)節(jié)位置），幫助醫(yī)生驗(yàn)證診斷依據(jù)；-責(zé)任界定：明確模型為輔助工具，最終診斷需由醫(yī)生確認(rèn)，避免因模型誤判導(dǎo)致法律糾紛。2.多模態(tài)智能客服系統(tǒng)設(shè)計(jì)：（1）核心模塊：-圖像編碼器：采用卷積神經(jīng)網(wǎng)絡(luò)（如ResNet-50）或視覺(jué)Transformer（如ViT），將輸入圖像編碼為固定維度的視覺(jué)特征向量（如768維）。-文本編碼器：采用預(yù)訓(xùn)練語(yǔ)言模型（如BERT或LLaMA），將用戶文本（如“這件衣服有紅色嗎？”）編碼為文本特征向量（與視覺(jué)特征維度一致）。-多模態(tài)融合模塊：通過(guò)交叉注意力機(jī)制（Cross-Attention）融合視覺(jué)與文本特征，計(jì)算兩者的交互信息（如圖像中的衣服顏色與文本中的“紅色”關(guān)聯(lián)）。-生成模塊：采用Transformer解碼器或LLM（如G