引言：多模态预训练的核心挑战 多模态大模型（如文本-图像-视频联合模型）的预训练需同时处理异构数据（文本、图像、音频等），其核心挑战在于如何通过统一的范式整合多模态信息，实现跨模态语义对齐与高效特征学……
