简约风算法模型架构插画素材

画出三股信息流，最终汇聚到一个长的序列槽中。底部支流：图向量 (zi画一个深色向量块（384D）。箭头穿过 Soft Prompt Projector。输出为 20 个绿色的小方块，用虚线框包围，标注 Soft Prompt Tokens (K=20)。中部支流：LLM 辅助逻辑画一个黄色的小文本框，写着 "Rationale: ..."。经过 Tokenizer 后变成几个黄色小方块 Rationale Tokens。顶部支流：原始推文 (Root Text)画一个蓝色小文本框，写着 "Original Tweet..."。经过 Tokenizer 后变成几个蓝色小方块 Text Tokens。中部：拼接与嵌入层 (Embedding & Concatenation)画一个长条形的嵌入矩阵 (Embedding Matrix)。按照从左到右的顺序，将上的小方块嵌入到矩阵中，顺序严格对齐代码：绿色区: [SP1] [SP2] ... [SP20] (Soft Prompts)灰色块: [CLS] (特殊标记)黄色区: [Rationale]灰色块: [SEP]蓝色区: [Text]灰色块: [SEP]关键标注：在这个长条矩阵上方，画一个大括号，标注 Inputs Embeddings [20 + seq_len, 768D]。. 右侧：LLM 与自注意力交互 (Transformer Interaction)LLM 模块：画一个大的立体矩形框，写着 Llama-3 / BERT Transformer Block。在这个框内，画出自注意力机制（Self-Attention）的流向图：用双向箭连接绿色区、黄色区和蓝色区。旁边加一个小字注解：Graph structure injects into text semantics via cross-attention. 。输出提取 (The "Aha" Moment!)：从 LLM 框的右侧输出也是一排长条向量。高光标出最左边的第 0 个位置 ([SP1])。画一个醒目的红色或橙色箭头指向这个位置，引出最终输出。在这个箭旁边写：Extract Position 0 (Structural-Aware CLS)。输出向量vbert[768D]，并画一个小的标准化符号 L2 Norm。