LAB 14 · 图像问答：视觉条件与问题先验

结果文件、来源与回链

按问题继续

RGB+问题输入、question-only对照、同图换问与同问换图

结果文件、来源与回链

lab14-data.npz 保存像素与答案；两个 .pt 文件对应两个真实训练模型；lab14-results.json 保存每类准确率、逐轮损失、九条受控问答、逐图保留预测及环境/数据哈希。场景元数据只用于监督标签与解读，未传入网络。

VQA 原论文，作者 arXiv 页面 给出图像与问题到答案的任务定义与基线比较。VQA 官方项目 提供真实数据、评价与后续 VQA v2；本实验的精确分类准确率不是官方多人答案共识评分。我们的合成颜色先验是教学构造，不是该数据集的实测统计。

回到 CLS 03：CLIP 排候选描述，caption 自回归生成，VQA 在问题条件下输出答案。它们共享视觉与语言，输出空间和训练目标却不同，不能因为界面都接受文字就互相替代。