已收录文章摘要，完整内容可前往原文阅读。
在多模态大模型时代，如何将文本、图像、视频、图文交织文档乃至复杂的交互指令统一映射到同一连续几何空间中，是支撑跨模态检索、多模态智能体、语义推荐及知识库构建的核心技术命题。传统基于双塔 CLIP 架构