多模態對話

深度分析

視覺支架 (Visual Scaffolding) 與 RAG：以增量示意影像建立情境對話共識表徵

情境對話需維持可追溯且持久的共識表徵，以免語義細節被壓縮成模糊描述。研究提出「視覺支架」，將對話狀態增量外化為示意影像，結合風格即語意設計以標示確定性，同時保留文本摘要以覆蓋不可示意的信息。實驗顯示增量外化勝過一次性全文推理，混合多模態效果最佳。