一、多模态图像理解的技术演进与核心挑战 传统图像理解方案主要依赖单模态卷积神经网络（CNN），通过逐层特征提取实现目标检测、分类等任务。然而，这类方法在处理复杂场景时存在显著局限：一方面，纯视觉模型难以……
