英文：Cross-Modal Attention 分类：multimodal
让不同模态的特征互相注意的机制：如文本 Token 关注图像区域、音频关注文本。它是多模态融合的核心计算模式。
形式：文本-图像交叉注意力（解码器查询视觉）、模态内+模态间联合注意力（Unified Transformer）、交替注意力层；与单模态注意力共用算子，仅改变 Q/KV 来源；支持细粒度对齐（词↔区域）。
用于多模态大模型（视觉-语言融合）、图文生成（条件注入）、音视频对齐与多模态检索；跨模态注意力是"让模态互相对话"的桥梁。