Unsupervised visual anomaly detection无监督视觉异常检测旨在learn models only on normal training samples仅在正常的训练样本上学习模型，并期望这些学到的模型能够detecting anomalies at the image level在图像层面检测出异常情况，甚至对于正常和异常的测试样本，都能够even localiz

项工作考虑了模块内融合层面的多模态融合架构设计，即==独立的模态特定模块==（涉及早期、中期或晚期多模态特征与特定融合操作），以及==模块间融合层面==（即融合这些模块的策略）。在这两种情况下，我们首先通过理论和实验探索架构设计的影响。然后，我们扩展了当前最优的神经架构搜索（NAS）范式，提出3D - ADNAS，以==同时搜索多模态融合策略和模态特定模块==。

数据局限性：大语言模型（LLMs）预训练虽处理了大量token，但对于私人数据或最新数据仍无法涵盖，其预训练的token数量虽庞大，但相对特定数据而言仍是有限的。上下文窗口扩展：LLMs的上下文窗口不断增大，从最初的几千个token扩展到更多，能容纳几十页到几百页的内容，这为从外部数据源引入信息提供了可能。

数据局限性：大语言模型（LLMs）预训练虽处理了大量token，但对于私人数据或最新数据仍无法涵盖，其预训练的token数量虽庞大，但相对特定数据而言仍是有限的。上下文窗口扩展：LLMs的上下文窗口不断增大，从最初的几千个token扩展到更多，能容纳几十页到几百页的内容，这为从外部数据源引入信息提供了可能。