已收录文章摘要，完整内容可前往原文阅读。
当前主流多模态大模型在架构上普遍面临一道“无形隔阂”：模型的“眼睛”依靠外部预训练视觉编码器（如 CLIP 或 SigLIP），负责抽取高度抽象的语义特征；而其“画笔”则交由变分自编码器（Variat