三、文本+图像多模态的能力和应用

3.1 图像理解能力 多模态AI的图像理解能力包括： - 图像描述生成：输入一张照片，模型生成描述性文字（如"一只橘猫趴在沙发上"） - 视觉问答（VQA）：上传一张照片并提问，获得答案 - 文档理解：读取同时包含文本、表格和图表的PDF文…