一、技术演进背景与核心突破 传统文本处理技术长期受限于单一模态输入，难以应对复杂场景下的语义理解挑战。例如，财务报表中的数字与文字关联分析、视频字幕与画面内容的时空同步理解等场景，均需要跨模态信息融……
