1 项目背景业务场景某电商平台的内容审核团队每天要审核约 2 万张商品图片——检查图片是否与商品标题描述一致、图片中是否包含违禁内容（如二维码、联系方式、血腥暴力等）。目前依赖人工逐张审核，平均每人每天审核 800 张，团队 25 人刚好覆盖日常量。但大促期间图片量翻 3 倍，团队必须临时招聘外包审核员，培训成本高、质量不稳定。更头疼的是"图文不符"问题——不少商家上传了与标题完全无关的图片。比如商品标题为"春季新款连衣裙"，配图却是一双运动鞋；或标题为"品牌 A 手机壳"，配图却放了品牌 B 的 logo。这种欺诈行为单纯靠 OCR 文字识别无法检测——因为图片上的文字可能也是假的。技术总监提出：“能否用 AI 判断图片和文字描述是否匹配？同时自动过滤违规图片？”痛点传统方案只能单独处理文本或图片：文本分类能识别商品标题的类别，但无法判断图片是否符合图片分类能识别图片中的物体，但无法理解图片和文本的语义关系OCR 能提取图片中的文字，但对于"图片里是一双鞋但标题是连衣裙"这种语义冲突无能为力多模态 Transformer（CLIP、BLIP等）将文本和图片编码到同一个向量空间——可以直接计算"这双鞋的图片"和"春季连衣裙"的语义相似度，前者是图片向量，后者是文本向量，它们的 cosine 相似度很低（不相干），而"这双鞋的图片"和"运动鞋"的相似度很高——这就是图文匹配的核心能力。
