一、技术背景：从文本到图像的交互革命 传统在线问答系统依赖用户通过键盘输入文本进行交互，但在图像内容占比日益增长的场景下（如电商商品检索、医疗影像诊断、教育图例解析），文本输入的局限性愈发明显。用户……
