艺术品归属判断长期依赖艺术史研究者对构图、笔触和其他视觉细节的观察与描述。现有 AI 方法则多给出缺少解释的概率分类，难以直接进入重视证据、语义与论证过程的人文学科工作流。这项研究没有把目标限定为预测作者，而是尝试自动生成绘画的风格分析，并支持作品之间的比较。

从图像表征到可命名特征

框架首先在带有元数据的大规模绘画语料上训练视觉 Transformer，将艺术史相关信息编码为嵌入。随后，系统使用稀疏字典学习分解这些表示，提取一组可在训练集不同作品中重复出现的共享特征。

这一步的意义在于把整体嵌入拆成更细的特征单元，为后续解释提供接口。不过，摘要没有说明语料规模、元数据构成、特征数量，也没有给出这些特征是否稳定对应具体风格概念的量化验证，因此不能据此认定分解结果天然具备艺术史意义。

让语言模型组织证据

对于每个特征，大语言模型会检索相关作品及其配套的策展人文本，再综合生成反映风格属性的描述。最终，一个自主协调 LLM 按照 ReAct 框架，对候选特征进行加权、测试和修正，将它们组织成单幅作品的连贯描述，或两幅作品的比较分析。

这条链路把视觉特征、馆藏文字与语言推理连接起来。与只输出作者概率相比，它至少在方法设计上提供了可检查的中间对象：研究者可以追问某项描述关联了哪些特征、作品和策展文本。其定位更接近辅助证据收集、发现与核验，而不是替代专家直接裁定作品归属。

我的判断

这项工作的价值，是把“可解释”落实为一套面向艺术史材料的分析流程，而不只是给分类结果补一段自然语言说明。稀疏特征与策展文本的结合，也为图像计算和人文学科语义之间建立了较具体的连接。

但摘要没有提供实验指标、专家评审结果、基线比较或失败案例，现阶段更适合把它视为方法框架，而非已经证明可靠的鉴定工具。其输出还会受训练语料、馆藏元数据、策展文本覆盖范围以及 LLM 综合能力影响。用于探索作品关联和形成待核验描述较合理；涉及真伪、作者归属等高风险结论时，仍需要艺术史专家结合来源、材料与其他证据独立判断。