一、技术背景：多模态融合的必然性 在人工智能视觉生成领域，传统文生图模型（如Stable Diffusion、DALL-E）主要依赖文本提示生成图像，但存在两大局限：风格控制能力弱与细节还原度不足。例如，用户输入“绘制一幅……
