一、技术背景与核心价值 多模态交互已成为人工智能应用的重要趋势，将自然语言处理（NLP）与计算机视觉（CV）技术结合，能够提供更丰富的交互体验。在社交场景中，用户既需要基于文本的智能对话，也期待通过文字描……
