基于神经网络结合紫外差分光谱的二氧化硫浓度定量预测

---

本项目旨在通过应用神经网络技术，结合紫外差分光谱数据，实现对二氧化硫浓度的准确定量预测。项目将采用从不同环境中收集的紫外差分光谱数据，包括大气中SO2的光谱吸收特性以及环境参数（如温度、湿度等），作为输入特征。基于这些输入特征，将建立一个神经网络模型，通过对历史数据的学习和训练，实现对二氧化硫浓度的预测。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

一. 项目介绍

基于神经网络结合紫外差分光谱的二氧化硫浓度定量预测

       二氧化硫（SO2）是一种常见的环境污染物，对大气、水体和土壤等环境有着广泛的影响。因此，准确监测和预测大气中的二氧化硫浓度对于环境管理和污染控制具有重要意义。紫外差分光谱是一种常用于二氧化硫浓度监测的方法，通过测量大气中SO2在紫外光波段的吸收特性来进行定量分析。本项目旨在通过应用神经网络技术，结合紫外差分光谱数据，实现对二氧化硫浓度的准确定量预测。项目将采用从不同环境中收集的紫外差分光谱数据，包括大气中SO2的光谱吸收特性以及环境参数（如温度、湿度等），作为输入特征。基于这些输入特征，将建立一个神经网络模型，通过对历史数据的学习和训练，实现对二氧化硫浓度的预测。

项目计划包括以下步骤：

1. 数据采集和准备：从不同环境中采集紫外差分光谱数据，包括SO2的光谱吸收特性以及环境参数。对采集到的数据进行处理和准备，包括数据清洗、特征提取和特征工程等。

2. 模型选择和设计：根据项目需求，选择合适的神经网络模型，并进行模型的设计。可以考虑使用常见的神经网络模型，如多层感知器（MLP）、卷积神经网络（CNN）或循环神经网络（RNN）等。

3. 模型训练和调优：使用采集到的紫外差分光谱数据，对选定的神经网络模型进行训练和调优。包括将数据集划分为训练集和验证集，进行模型参数的优化和调整，以获得最佳的预测性能。

   简小派

   简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

   123 查看详情

4. 模型评估和验证：通过对模型进行评估和验证，包括使用测试数据集进行性能测试，评估模型的预测准确性、稳定性和可靠性。根据评估结果进行模型的调整和优化。

5. 结果解释和应用：根据训练好的神经网络模型，实现对二氧化硫的浓度预测

       

二. 代码运行

1. 解压数据

In [3]

# 运行完一次记得注释掉!unzip /home/aistudio/data/data208645/Data.zip -d ./data

       

Archive:  /home/aistudio/data/data208645/Data.zip
   creating: ./data/Data/
  inflating: ./data/Data/test.xlsx   
  inflating: ./data/Data/train.xlsx  
  inflating: ./data/Data/val.xlsx

       

2. 导包

In [4]

import pandas as pdimport paddleimport numpy as npfrom sklearn.model_selection import cross_val_score, train_test_splitimport matplotlib.pyplot as plt

   

3. 读取数据

In [5]

train_data = pd.read_excel("./data/Data/train.xlsx", header=None)
val_data = pd.read_excel("./data/Data/val.xlsx", header=None)
test_data = pd.read_excel("./data/Data/test.xlsx", header=None)print("加载数据完成！")print("train_data:",train_data)print("val_data:",val_data)print("test_data:",test_data)

       

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/xlrd/xlsx.py:39: DeprecationWarning: defusedxml.cElementTree is deprecated, import from defusedxml.ElementTree instead.
  try: import defusedxml.cElementTree as ET

       

加载数据完成！
train_data:           0         1         2         3         4         5         6    \
0   -0.012270 -0.008444 -0.004375 -0.000184  0.003440  0.006620  0.008990   
1   -0.025047 -0.015357 -0.005686  0.002572  0.008761  0.013994  0.018033   
2   -0.037505 -0.021944 -0.007038  0.005147  0.014224  0.021056  0.026412   
3   -0.061983 -0.034999 -0.010056  0.009798  0.023887  0.034412  0.042387   
4   -0.073650 -0.041423 -0.011709  0.011549  0.027902  0.040159  0.049526   
..        ...       ...       ...       ...       ...       ...       ...   
164 -0.148829 -0.115722 -0.075014 -0.028676  0.019919  0.065222  0.104061   
165 -0.160321 -0.122449 -0.077428 -0.027611  0.023061  0.070258  0.110567   
166 -0.170898 -0.128527 -0.079606 -0.027007  0.026049  0.074729  0.116371   
167 -0.194200 -0.142182 -0.084521 -0.025135  0.032484  0.084201  0.128401   
168 -0.205352 -0.148857 -0.087424 -0.024942  0.034898  0.088087  0.133736   

          7         8         9    ...       414       415       416  \
0    0.011761  0.013728  0.014204  ...  0.000974  0.001178  0.001687   
1    0.022009  0.024704  0.025219  ...  0.001391  0.001821  0.002151   
2    0.031662  0.035359  0.035733  ...  0.002669  0.003190  0.003518   
3    0.050285  0.055814  0.056690  ...  0.004162  0.005100  0.005648   
4    0.059010  0.065689  0.067010  ...  0.005132  0.005943  0.006464   
..        ...       ...       ...  ...       ...       ...       ...   
164  0.139079  0.164084  0.175114  ...  0.006676  0.008426  0.009503   
165  0.146746  0.173061  0.184654  ...  0.007423  0.009236  0.010182   
166  0.153701  0.181050  0.193047  ...  0.007897  0.009787  0.010914   
167  0.168198  0.197904  0.211459  ...  0.009296  0.011503  0.012656   
168  0.175235  0.206353  0.220749  ...  0.009904  0.012182  0.013512   

          417       418       419       420       421       422  423  
0    0.001411  0.000760  0.000105 -0.000448 -0.000898 -0.001340    1  
1    0.002091  0.001451  0.000401 -0.000655 -0.001414 -0.002175    2  
2    0.003363  0.001538  0.000307 -0.001323 -0.002451 -0.003273    3  
3    0.005315  0.002817  0.000515 -0.001990 -0.004093 -0.005589    5  
4    0.005909  0.002990  0.000467 -0.002356 -0.004476 -0.006186    6  
..        ...       ...       ...       ...       ...       ...  ...  
164  0.009424  0.006349  0.003002 -0.000789 -0.003904 -0.005904   11  
165  0.009977  0.006880  0.003316 -0.000988 -0.004208 -0.006403   12  
166  0.010501  0.007303  0.003547 -0.000943 -0.004642 -0.007005   13  
167  0.012375  0.008722  0.004119 -0.001417 -0.005753 -0.008739   15  
168  0.013215  0.009154  0.004446 -0.001490 -0.006323 -0.009596   16  

[169 rows x 424 columns]
val_data:         0         1         2         3         4         5         6    \
0 -0.052783 -0.033933 -0.015029  0.002018  0.016323  0.028161  0.037847   
1 -0.110682 -0.065505 -0.023264  0.011161  0.037215  0.057251  0.073270   
2 -0.166297 -0.097069 -0.034448  0.015865  0.053162  0.081216  0.103936   
3 -0.058965 -0.048355 -0.032819 -0.013860  0.007229  0.027811  0.045168   
4 -0.116864 -0.079927 -0.041054 -0.004716  0.028120  0.056900  0.080591   
5 -0.172479 -0.111491 -0.052238 -0.000012  0.044067  0.080866  0.111258   
6 -0.064833 -0.062929 -0.051263 -0.030225 -0.002288  0.026767  0.051877   
7 -0.122731 -0.094501 -0.059498 -0.021082  0.018603  0.055857  0.087301   
8 -0.178346 -0.126065 -0.070682 -0.016378  0.034551  0.079822  0.117967   

        7         8         9    ...       414       415       416       417  \
0  0.046858  0.053088  0.054782  ...  0.003508  0.004392  0.005005  0.004664   
1  0.088549  0.099801  0.103189  ...  0.006914  0.008079  0.008879  0.008336   
2  0.125875  0.142550  0.148810  ...  0.010057  0.011853  0.012906  0.012040   
3  0.060715  0.071836  0.076016  ...  0.002705  0.003693  0.004151  0.004271   
4  0.102406  0.118550  0.124423  ...  0.006111  0.007379  0.008026  0.007943   
5  0.139731  0.161299  0.170044  ...  0.009254  0.011154  0.012052  0.011647   
6  0.073872  0.089537  0.096120  ...  0.002488  0.003486  0.004277  0.004285   
7  0.115563  0.136250  0.144526  ...  0.005894  0.007173  0.008151  0.007957   
8  0.152889  0.178999  0.190148  ...  0.009037  0.010947  0.012178  0.011661   

        418       419       420       421       422  423  
0  0.001598  0.000032 -0.001605 -0.002903 -0.003765    4  
1  0.004480  0.001232 -0.002686 -0.005762 -0.007993    9  
2  0.007287  0.002562 -0.003217 -0.008333 -0.011865   14  
3  0.001805  0.000592 -0.000741 -0.001296 -0.001838    4  
4  0.004688  0.001792 -0.001822 -0.004155 -0.006066    9  
5  0.007494  0.003122 -0.002353 -0.006726 -0.009938   14  
6  0.002136  0.001090 -0.000121 -0.000501 -0.000710    4  
7  0.005019  0.002291 -0.001202 -0.003360 -0.004938    9  
8  0.007825  0.003621 -0.001733 -0.005931 -0.008810   14  

[9 rows x 424 columns]
test_data:         0         1         2         3         4         5         6    \
0 -0.047434 -0.028410 -0.009918  0.005256  0.017354  0.027271  0.035861   
1 -0.099031 -0.056289 -0.017596  0.013699  0.037585  0.055516  0.070344   
2 -0.062197 -0.040211 -0.017950  0.001974  0.019550  0.034519  0.047329   
3 -0.078246 -0.054903 -0.029160 -0.003992  0.019580  0.040875  0.059377   
4 -0.100289 -0.076556 -0.046752 -0.014660  0.017760  0.048068  0.074909   
5 -0.145121 -0.085051 -0.029667  0.015279  0.049730  0.076468  0.099693   
6 -0.132055 -0.085548 -0.039095  0.002191  0.037861  0.067773  0.093635   
7 -0.149218 -0.098919 -0.047757 -0.001335  0.039021  0.073859  0.104074   
8 -0.181601 -0.126136 -0.067020 -0.011380  0.039078  0.084366  0.123608   

        7         8         9    ...       413       414       415       416  \
0  0.043041  0.047589  0.046583  ...  0.001697  0.002205  0.002398  0.002375   
1  0.083724  0.092225  0.090622  ...  0.004748  0.006000  0.006237  0.006257   
2  0.058283  0.065208  0.064650  ...  0.002485  0.003446  0.003920  0.004008   
3  0.075338  0.085535  0.086047  ...  0.002587  0.003817  0.004476  0.004762   
4  0.097708  0.112348  0.115042  ...  0.002646  0.003971  0.005033  0.005154   
5  0.120608  0.133603  0.132983  ...  0.006556  0.008714  0.010171  0.010531   
6  0.116255  0.130705  0.130851  ...  0.005689  0.007372  0.008379  0.008518   
7  0.130882  0.148112  0.149885  ...  0.006297  0.008249  0.009537  0.009972   
8  0.157677  0.180059  0.184107  ...  0.006566  0.009127  0.010725  0.011372   

        417       418       419       420       421       422  
0  0.002135  0.003274  0.001698 -0.000402 -0.002128 -0.003881  
1  0.005262  0.005548  0.002415 -0.001448 -0.004943 -0.008167  
2  0.003807  0.003320  0.001366 -0.001075 -0.002917 -0.004651  
3  0.004385  0.003837  0.001748 -0.000906 -0.003038 -0.004939  
4  0.005022  0.004741  0.002553 -0.000666 -0.002847 -0.004768  
5  0.009600  0.007677  0.003151 -0.002592 -0.007531 -0.011657  
6  0.007794  0.006505  0.002671 -0.001938 -0.005730 -0.009093  
7  0.009068  0.006826  0.002848 -0.002285 -0.006388 -0.009745  
8  0.010681  0.008655  0.003997 -0.002015 -0.006974 -0.011061  

[9 rows x 423 columns]

       

4. 构建网络

In [6]

class Regressor(paddle.nn.Layer):
    # self代表类的实例自身
    def __init__(self):
        # 初始化父类中的一些参数
        super(Regressor, self).__init__()
        
        self.fc1 = paddle.nn.Linear(in_features=423, out_features=40)
        self.fc2 = paddle.nn.Linear(in_features=40, out_features=20)
        self.fc3 = paddle.nn.Linear(in_features=20, out_features=1)

        self.relu = paddle.nn.ReLU()    
    # 网络的前向计算
    def forward(self, inputs):
        x = self.fc1(inputs)
        x = self.relu(x)
        x = self.fc2(x)
        x = self.relu(x)
        x = self.fc3(x)
        x = self.relu(x)        return x

   

5. 设置优化器

In [7]

# 声明定义好的线性回归模型model = Regressor()# 开启模型训练模式model.train()# 定义优化算法，使用随机梯度下降SGDopt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

   

6. 模型训练

In [8]

EPOCH_NUM = 20   # 设置外层循环次数BATCH_SIZE =32  # 设置batch大小loss_train = []
loss_val = []
training_data = train_data.values.astype(np.float32)
val_data = val_data.values.astype(np.float32)# 定义外层循环for epoch_id in range(EPOCH_NUM):    # 在每轮迭代开始之前，将训练数据的顺序随机的打乱
    np.random.shuffle(training_data)    
    # 将训练数据进行拆分，每个batch包含10条数据
    mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
    
    train_loss = []    for iter_id, mini_batch in enumerate(mini_batches):        # 清空梯度变量，以备下一轮计算
        opt.clear_grad()

        x = np.array(mini_batch[:, :-1])
        y = np.array(mini_batch[:, -1:])        
        # 将numpy数据转为飞桨动态图tensor的格式
        features = paddle.to_tensor(x)
        y = paddle.to_tensor(y)        
        # 前向计算
        predicts = model(features)        
        # 计算损失
        loss = paddle.nn.functional.l1_loss(predicts, label=y)
        *g_loss = paddle.mean(loss)
        train_loss.append(*g_loss.numpy())        
        # 反向传播，计算每层参数的梯度值
        *g_loss.backward()        # 更新参数，根据设置好的学习率迭代一步
        opt.step()
    
    mini_batches = [val_data[k:k+BATCH_SIZE] for k in range(0, len(val_data), BATCH_SIZE)]
    val_loss = []    for iter_id, mini_batch in enumerate(mini_batches):
        x = np.array(mini_batch[:, :-1])
        y = np.array(mini_batch[:, -1:])
        
        features = paddle.to_tensor(x)
        y = paddle.to_tensor(y)
        
        predicts = model(features)
        loss = paddle.nn.functional.l1_loss(predicts, label=y)
        *g_loss = paddle.mean(loss)
        val_loss.append(*g_loss.numpy())
    
    loss_train.append(np.mean(train_loss))
    loss_val.append(np.mean(val_loss))    print(f'Epoch {epoch_id}, train MAE {np.mean(train_loss)}, val MAE {np.mean(val_loss)}')

       

Epoch 0, train MAE 7.624902248382568, val MAE 8.33272647857666
Epoch 1, train MAE 7.206328868865967, val MAE 7.758003234863281
Epoch 2, train MAE 6.805103778839111, val MAE 6.986188888549805
Epoch 3, train MAE 6.075949192047119, val MAE 5.927742958068848
Epoch 4, train MAE 4.959263324737549, val MAE 4.292729377746582
Epoch 5, train MAE 3.2987468242645264, val MAE 2.087653875350952
Epoch 6, train MAE 1.5582104921340942, val MAE 0.9727618098258972
Epoch 7, train MAE 1.0503758192062378, val MAE 0.8623672723770142
Epoch 8, train MAE 0.9353340268135071, val MAE 0.7716569304466248
Epoch 9, train MAE 0.7899861931800842, val MAE 0.6565400958061218
Epoch 10, train MAE 0.6619129180908203, val MAE 0.5523999929428101
Epoch 11, train MAE 0.5093479156494141, val MAE 0.45839017629623413
Epoch 12, train MAE 0.4096043109893799, val MAE 0.3914491832256317
Epoch 13, train MAE 0.35209330916404724, val MAE 0.49695703387260437
Epoch 14, train MAE 0.3525097072124481, val MAE 0.2608330547809601
Epoch 15, train MAE 0.3310554325580597, val MAE 0.22819511592388153
Epoch 16, train MAE 0.28647658228874207, val MAE 0.5398315787315369
Epoch 17, train MAE 0.33176475763320923, val MAE 0.47069284319877625
Epoch 18, train MAE 0.382027268409729, val MAE 0.5325711965560913
Epoch 19, train MAE 0.37895312905311584, val MAE 0.175240620970726

       

7. 可视化loss

In [9]

# lossx = np.linspace(0, EPOCH_NUM+1, EPOCH_NUM)

plt.figure()
plt.plot(x, loss_train, color='red', linewidth=1.0, linestyle='--', label='line')
plt.plot(x, loss_val, color='y', linewidth=1.0, label='line')
plt.s*efig('loss.png', dpi=600, bbox_inches='tight', transparent=False)
plt.legend(["train MAE", "val MAE"])
plt.title("Loss")
plt.xlabel('epoch_num')
plt.ylabel('loss value')

       

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  if isinstance(obj, collections.Iterator):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return list(data) if isinstance(data, collections.MappingView) else data

       

Text(55.8472,0.5,'loss value')

               

<Figure size 640x480 with 1 Axes>

               

8. 模型验证

In [10]

model.eval()
test_data = paddle.to_tensor(test_data.values.astype(np.float32))
test_predict = model(test_data)
test_predict = test_predict.numpy().flatten()
test_predict = test_predict.round().astype(int)print("test_predict:",test_predict)

       

test_predict: [ 4  9  5  6  7 13 11 12 14]

               

三. 结果展示

In [11]

x = np.linspace(0, 10, 9)
Y_test = [4,9,5,6,7,14,12,13,15]
Y_test = np.array(Y_test)

predicted = test_predict
plt.figure()
plt.scatter(x, predicted, color='red')  # 画点plt.scatter(x, Y_test, color='y')  # 画点plt.plot(x, predicted, color='red', linewidth=1.0, linestyle='--', label='line')
plt.plot(x, Y_test, color='y', linewidth=1.0, label='line')
plt.s*efig('result.png', dpi=600, bbox_inches='tight', transparent=False)
plt.legend(["predict value", "true value"])
plt.title("SO2")
plt.xlabel('X')
plt.ylabel('Absorption intensity')

       

Text(47.0972,0.5,'Absorption intensity')

               

<Figure size 640x480 with 1 Axes>

                       

四. 总结

• 从图中我们可以看出，在SO2高浓度的时候，预测的不是很准确，这大概率是因为非线性的影响。
• 在气体浓度定量分析中，如何去除非线性的影响，是一直研究的课题。
• 可以加入光谱预处理来提高模型的准确性
• 例如可以对数据进行差分拟合、小波变换、傅里叶变换等来改进

       

以上就是基于神经网络结合紫外差分光谱的二氧化硫浓度定量预测的详细内容，更多请关注其它相关文章！

# 环境参数  # 网站推广渠道专业定制  # 海外营销推广方案ppt  # 萍乡国外网站建设  # 河源seo网络推广方案  # 宝坻区营销网站优化记录  # 鹤岗网站建设网站制作  # 抖音seo咋样  # 网站优化实训过程及结果  # seo外包需求  # 营销推广案例模板英语app  # 前向  # 官网  # 建立一个  # python  # 定量分析  # 是一种  # 一言  # 中文网  # 二氧化  # 差分  # type  # fig  # latte  # udio  # red  # ai 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： AI新视野，增长新势能，伙伴云受邀出席笔记侠创业讲真话AI峰会  【搞事】时隔4年 谷歌更新安卓logo 机器人头更饱满了  跑不动的元宇宙，虚拟世界比现实更冷酷  “智能体动作生成技术”现身WAIC：游戏AI技术为机器人科创注入新动力  了解 AGI：智能的未来？  阿里达摩院向公众免费开放100项AI专利许可  Databricks 发布大数据分析平台 Spark 用 AI 模型 SDK：一键生成 SQL 及 FySpark 语言图表代码  美军AI无人机“误杀”操作员，人工智能要在军事领域毁灭人类？  pixivFANBOX 更新运营规则，禁止通过外链绕开 AI 生成禁令  美图开拍使用教程  推动企业数字化转型升级！“松江智造”摘世界人工智能大会重磅奖项  「从未被制造出的最重要机器」，艾伦·图灵及图灵机那些事  上海发布大模型政策 打造AI“模”都  特斯拉 Optimus 人形机器人入驻北美门店，帮助提升汽车销量  【机智云物联网低功耗转接板】远程环境数据采集探索  商汤科技：元萝卜 AI 下棋机器人新品发布会 6 月 14 日举行  “直击”AI新世界，智能机器人再次“火出圈”了  月薪6万，哪些AI岗位在抢人？  麦肯锡：到 2045 年左右，将有 50% 工作被 AI 接管  OpenAI CEO 阿尔特曼到访日本，对全球 AI 协调合作表示乐观  智能客服进入AI 2.0时代 容联云发布语言大模型“赤兔”  苹果AIGC专利：可通过语音指令生成AR/VR虚拟场景  MiracleVision视觉大模型  专家解读国家网信办深度合成服务算法备案信息公告：不等于百度、阿里、腾讯等生成式AI产品获批  华为昇腾AI原生支持30多种基础大模型，包括GPT  人工智能大胆预测：银河系至少有2万个地球，36种外星文明  中美陷入囚徒困境，人工智能变得不可控？可参考核不扩散条约规范  鸿蒙OS 4将实现AI大模型集成，余承东表示坚持AI辅助而非AI取代  360发布认知型通用大模型“360智脑4.0” 全面接入360全家桶  游族AI创新院揭牌成立 推进AI赋能游戏业务  新华三集团总裁兼首席执行官于英涛：人工智能时代需要想象力，更需要精耕务实  首届全国体育人工智能大会在首都体育学院召开  昆仑万维与全球领先的元宇宙公司Meta达成商务合作，共同认可昆仑万维在XR领域的技术实力  当一个网站的内容被 AI 完全接管  消息称 ChatGPT 未来有望增加更多功能：上传文件分析信息，还能记住用户画像  联通发布鸿湖图文AI大模型1.0，可实现以文生图  卫星通信牵引物联网竞争升维，模组厂商如何决胜百亿市场？  映宇宙数字人“映映”亮相ChinaJoy，展示AI黑科技实现用户互动  央视报道！星纪魅族集团车载人机交互技术成世界移动通信大会焦点  昇思开源社区理事会成立，基于昇思AI框架的全模态大模型“紫东.太初2.0”发布  IBM与NASA联手开源地理空间AI基础模型，促进气候科学领域进步  “图壤·阅读元宇宙”亮相北京国际图书博览会  走进首家“元宇宙”未来工厂，卡奥斯探知工业之旅出发！  今年，全球客服中心支出将增长 16.2%，迎接对话式 AI 的浪潮，根据 Gartner 报告  马克龙密会AI专家，法国加入全球人工智能竞赛  大脚攀爬者车主福利！无人机、运动相机大奖等你来挑战  码刻 | 48小时Hackathon，源码见证新生代AI创新的发生  OpenOOD更新v1.5：全面、精确的分布外检测代码库及测试平台，支持在线排行榜、一键测试  研究预测HPC支持的人工智能增长迅速  微软推出人工智能模型 CoDi，可互动和生成多模态内容 

 2025-07-24