#多模态

从 DeepSeek 的视觉原语、MiniMax-M3 的图片首字延迟，一路追到 MiniCPM-o 如何在本地实现持续视频理解与全双工语音交互。

多图分析时网页端和 API 结果一致性差的问题拆解，从 Lost in the Middle 到逐图预摘要的两阶段解法。