在人工智能快速发展的今天，大型语言模型(LLMs)取得了显著进步。随着这一趋势，大型多模态模型(LMMs)也迅速崛起，这些模型能够实现复杂的视觉-语言对话和交互。当前主流的多模态大模型（如 LLaVA 系列）往往采用 “视觉编码器 + 大语言模型” 的组合架构。这种方式虽然有效，却存在一些痛点。例如