Page 103 - 《软件学报》2026年第4期

1544 软件学报 2026 年第 37 卷第 4 期

响, 但整体相对稳定, 长度设为 15 或 20 时通常可获得更优解, 反映出较长提示向量在复杂任务场景下具有更强的
特征学习能力.

5 84.67% 86.39% 87.35% 87.47% 5 84.14% 81.18% 80.10% 76.73%

Prompt length 10 84.41% 86.56% 87.74% 87.96% Prompt length 10 82.87% 79.74% 78.74% 77.17%

87.99%
86.96%
87.50%
81.24%
84.99%
77.00%
84.34%
78.30%
15
15
20 84.75% 87.23% 87.79% 87.86% 20 81.90% 80.62% 77.08% 76.00%
1 3 5 7 1 3 5 7
Prompt number Prompt number
(a) Split-CIFAR100 (b) Open-CORe25
图 3 不同提示长度与不同的提示个数对 TP-MoE 的性能变化热力图

表 5 不同激活函数对 TP-MoE 的性能影响

Split-CIFAR100 Open-CORe25
激活函数
ACC t (↑) (%) AUC t (↑) FPR t (↓) ACC t (↑) (%) AUC t (↑) FPR t (↓)
Sigmoid 87.69 0.917 0.273 77.05 0.764 0.301
ReLU 86.95 0.910 0.278 78.96 0.748 0.289
GELU 87.04 0.909 0.271 79.52 0.761 0.286
tanh 87.61 0.915 0.280 79.78 0.789 0.320

0.3 0.6
0.97 AUC t
0.82
FPR t
0.44 0.40
0.7
0.4 0.95 0.65 0.8
0.82 0.79
0.34 0.36 0.66
0.16 0.22
0.21 0.32
0.28 0.27
0.70
0.79
0.87
0.92
0.5 0.6 0.7 0.75
(a) Split-CIFAR100 (b) Open-CORe25
图 4 阈值对 TP-MoE 的开放检测效果影响雷达图

而在图 3(b) 的 Open-CORe25 数据集上使用不同的提示长度和提示个数对 TP-MoE 的性能影响图中, 提示长
度和提示个数的组合对模型性能的影响更加显著. 尤其在提示个数增多时, 模型精度逐步下降, 提示个数为 7 时最
低的模型精度为 76.00% (提示长度为 20), 说明过多的提示可能在特定领域的任务表征中引发干扰和泛化退化. 相
较之下, 较短的提示长度 (5 或 10) 配合少量提示个数 (1 或 3) 能获得更稳健的性能, 表明提示机制在不同模态下
应进行适配调整.
表 5 系统比较了不同激活函数 (Sigmoid, ReLU, GELU, tanh) 对 TP-MoE 模型性能的影响. Split-CIFAR100 中