多模态识别

多模态识别的本质 不是“先把字读出来”，
而是：
先把图像分块 → 映射成向量 → 与语言/语义空间对齐 → 判断“这张图在表达什么” 它的能力边界有限 因为它根本不是在“读字”

多模态识别 =
模型不是“先读字”，
而是“一边看图，一边理解这图里在说什么”。
它做的不是 OCR → 文本，
而是 图像 ↔ 语言 ↔ 语义 的联合推理。