一、多语言支持的技术背景与模型能力 视觉语言模型（Vision-Language Model, VLM）的核心在于通过跨模态学习，将图像与文本的语义空间对齐，实现图文联合理解。当前主流技术方案中，模型的多语言支持能力主要依赖……
