一、技术背景：多模态大模型的演进与挑战 随着视觉-语言（VL）任务的复杂度提升，传统模型在处理混合模态数据时面临三大瓶颈：跨模态对齐精度不足（如图文匹配误差）、垂直场景泛化能力弱（如复杂公式识别）、长文……
