问题——多模态基础模型近年来成为人工智能研究与应用的重要底座，其中CLIP通过大规模图像与文本的联合训练，将视觉信息与语言信息映射到同一语义空间，在图像识别、跨模态检索、内容理解等任务中展现出较强通用性。
但在实际应用中，用户输入往往呈现描述冗长、语义层次复杂、包含隐含关系与背景知识等特点，传统多模态模型对长文本的细粒度理解、推理与语境把握仍存在短板，进而影响模型在复杂场景中的视觉感知与检索准确性。
原因——一方面，CLIP等模型的训练目标更偏向“图文匹配与对齐”，对长文本内在逻辑结构、实体关系、世界知识等深层语言能力建模不足；另一方面，近年来大型语言模型在语言理解、知识表达与推理方面能力跃升，为弥补多模态模型“读不懂、读不深、读不全”的问题提供了可能。
如何在不显著增加训练成本、不破坏原有多模态结构优势的前提下，将语言模型的长文本理解能力有效转化为跨模态表示能力，成为研究热点与难点。
影响——据介绍，同济大学研究团队在此背景下开展探索，提出“llm2clip”方法，核心思路是在保留CLIP整体框架与优势的基础上，将大型语言模型有机嵌入并进行高效微调，从而提升模型对复杂、冗长文本描述的理解能力，并带动视觉侧表征质量提升。
该路径的价值在于：不只追求单点指标提升，更强调让多模态表示更“丰富、更可解释、更贴近真实表达”。
从产业应用角度看，长文本指令、复杂检索需求广泛存在于智能检索、内容审核、辅助创作、教育培训与科研知识管理等场景，模型跨模态理解能力的增强，有望提升信息获取效率与交互体验。
对策——业内专家表示，多模态模型能力提升需要在“结构创新、训练效率与安全可控”之间取得平衡。
一是坚持高效训练与可迁移性导向，避免因模型规模与训练成本快速攀升造成应用门槛过高；二是强化数据与评测体系建设，面向长文本、多约束条件与复杂语境的真实任务，建立更贴近应用的评价标准；三是加强跨学科协同，推动计算机视觉、自然语言处理与认知科学等领域方法交叉融合；四是同步推进可靠性治理，关注模型在复杂描述下的偏差累积、误检漏检与安全风险，确保技术可用、可管、可控。
前景——作为人工智能领域历史较悠久、覆盖面广的国际顶级学术会议之一，AAAI长期关注基础理论与前沿应用的结合，也是国内权威学术评价体系推荐的重要国际会议平台。
此次同济团队成果获国际学术界关注，反映出我国高校在多模态基础模型方向的持续投入与创新能力提升。
面向未来，随着多模态大模型在通用交互、智能体协作与行业落地中的需求快速增长，将语言理解优势更高效地转化为跨模态能力，或将成为提升模型“可用性与泛化性”的关键路径之一。
可以预见，围绕“更强理解、更低成本、更好安全”的技术路线竞争将进一步加速，推动多模态基础能力向更高层次演进。
同济大学在多模态人工智能模型研究上的创新突破，反映了我国高校在前沿科学技术领域的不断进步。
这一成果不仅推动了跨模态智能理解技术的发展，也为计算机视觉、自然语言处理等多个应用领域提供了新的技术支撑。
在全球人工智能竞争日趋激烈的背景下，我国研究机构需要继续加强基础理论研究和关键技术创新，为推动人工智能产业的高质量发展做出更多贡献。