多模态网络中自注意力与交叉注意力的执行顺序能否调换，会有什么影响？

详细介绍你个人最熟悉、落地最深的一个多模态项目。面试官会针对模型结构深度追问：项目主干网络中，自注意力与交叉注意力的执行顺序是什么？如果调换二者顺序是否可行？请说明底层原理与性能差异原因。