广义零样本学习（GZSL）已成为计算机视觉领域的一个关键研究方向，这得益于其能够在训练过程中未见过的对象上进行识别的能力。尽管生成技术在将传统的GZSL转化为完全监督学习方面取得了显著进展，但这些技术往往会产生大量冗余的合成特征，从而增加训练时间并降低准确性。为了解决这一问题，本文提出了一种基于强化学习的合成特征选择新方法。具体而言，我们设计了一个基于 Transformer 的选择器，该选择器通过近端策略优化（PPO）进行训练，以根据已见类别的验证分类准确性来选择合成特征，后者作为奖励信号。所提出的方法具有模型无关性和数据无关性，适用于图像和视频，并且在多种应用场景中表现出色。实验结果表明，我们的方法优于现有的特征生成方法，在多个基准测试中展现了更高的整体性能。