一、技术背景：多模态大模型的感知瓶颈 多模态大模型（如视觉-语言模型）通过联合训练文本与图像特征，实现了跨模态理解与推理。然而，现有模型在处理微小视觉细节（如医学影像中的微小病灶、工业检测中的微米级缺……
