图像文本对的构建方法、装置、计算机设备及存储介质

本发明涉及人工智能技术领域，公开了图像文本对的构建方法、装置、计算机设备及存储介质，该方法包括：获取目标场景下的问题集；问题集包括感知问题集、预测问题集和决策问题集；构建问题集对应的问题提示词；将感知预测问题提示词和预设的样本图像输入至第一视觉语言模型，生成样本图像的感知预测信息；以感知预测信息为上下文，将第三问题提示词和样本图像输入至第二视觉语言模型，生成样本图像的决策信息；根据感知预测信息和决策信息生成样本图像的描述文本，构建包含样本图像和描述文本的图像文本对。本发明通过感知、预测和决策自上而下的提示词设计，可以生成包含丰富细节的描述文本，能够提高图文对质量。