2024年初，笔者关注到大模型视觉推理领域的一个怪现象：GPT-4V、Gemini在各类视觉任务上表现惊艳，但学术界能用的开源方案却始终停留在"单项冠军"水平——做数学题厉害，做图表就拉胯；换个任务场...