iPAS 考題解析某設計師使用公司內部建置的生成式AI工具製作行銷素材，並輸入提示語（Prompt）：「請生成一張模特兒手持品牌飲料、背景為海邊夕陽的照片」。系統能正確生成主要主題與場景，但輸出的圖像中，品牌標誌顏色常有誤差，或人物手部姿勢顯得不自然。若從多模態生成模型的技術機制分析，此現象最可能是下列哪一項原因所造成？
原卷題
你的作答
在題目頁作答不會存進學習紀錄，想留下紀錄可以到題庫練習。
解析
正確答案：C. CLIP模型中的文字編碼器與影像編碼器在語意嵌入空間未充分對齊，導致跨模態理解偏差
品牌標誌顏色誤差和手部姿勢不自然，反映了文字描述（品牌顏色、手持姿勢等細節）與生成影像之間的語意對齊不精準。這是CLIP文字編碼器與影像編碼器在嵌入空間未能充分對齊的典型表現，導致細粒度的視覺-語言對應出現偏差。
每個選項為什麼對或錯
-
A 擴散式生成模型的去雜訊過程出現隨機梯度漂移，導致影像像素錯誤 錯誤選項
隨機梯度漂移是訓練問題，不是推論時影像細節不準確的主要原因。
-
B 提示語過長造成Transformer的位置編碼超出上下文限制，導致生成混亂 錯誤選項
題目中的提示語較短，不存在超出上下文限制的問題，且位置編碼超限通常導致生成完全混亂而非局部細節誤差。
-
C CLIP模型中的文字編碼器與影像編碼器在語意嵌入空間未充分對齊，導致跨模態理解偏差 正解
CLIP文字-影像嵌入空間對齊不足，是細粒度視覺細節（標誌顏色、手部姿勢）生成不準確的最主要技術原因。
-
D 模型未採用對比學習（Contrastive Learning）損失函數，無法建立多模態語意關聯 錯誤選項
現代生成模型（如CLIP-guided Diffusion）通常已採用對比學習，此選項描述不符合實際情況。
答案、題目或解析有問題？回報這題