已收录文章摘要，完整内容可前往原文阅读。
一句“我并不喜欢这部电影”，如果字幕恰好漏掉了“不”，意思就会反过来。人还可以听语气、看表情。但如果声音也断了一截，画面又缺了几帧，AI还能判断这究竟是在夸奖，还是在抱怨吗？这正是不完整数据下的多模态