多模态

先理解技术版图，
再判断具体成果。

本次综合总结：该领域暂无权威综述/报告收录，主要基于前沿内容归纳。多模态/视觉语言当前主线是从视觉语言理解、统一感知，向图像/视频生成、世界模型与实时交互推进，并出现全模态统一趋势。