一、多模态任务一体化的技术背景与挑战 传统计算机视觉任务中，图像视觉问答（VQA）、图像描述生成（Caption）与光学字符识别（OCR）通常被视为独立任务，分别依赖专用模型和训练流程。例如，VQA需结合视觉特征与……
