背景与挑战 在人工智能蓬勃发展的当下，基于Transformer架构的多模态视觉理解大模型（VLM）成为研究热点。这类模型创新性地将语言与视觉模态深度融合，不仅能精准识别图像，还可依据视觉输入进行动态内容推理与复……
