任务描述：基于图像或视频内容，回答自然语言问题，需同时理解视觉语义、空间关系及常识知识。核心挑战在于跨模态对齐精度和事实性推理能力，需避免生成与图像无关的"幻觉答案"。 关注能力：
- 细粒度视觉理解（物体属性、空间关系）
- 跨模态语义对齐（视觉特征与文本问题的关联）
- 常识与专业领域知识内化
推荐模型：
任务描述：解析PDF/扫描文档、表格、科学图表等结构化数据，提取关键信息并执行推理。需处理复杂排版、手写体、数学符号等特殊元素。 关注能力：
- 任意分辨率文本识别（OCR）
- 表格结构重建与跨单元格推理
- 数学公式/化学式语义解析
推荐模型：
任务描述：结合文本、公式、图表等多模态信息解决数学问题，需执行符号运算、几何证明等复杂推理流程。 关注能力：
- 多模态条件解析（将图表数据转化为数学表达式）
- 分步逻辑链生成与验证
- 符号计算与数值精度控制
推荐模型：
任务描述：根据自然语言指令定位并检测中图像/视频中的特定目标，返回box坐标，需理解抽象描述（如"左起第三个穿红衣服的人"）。 关注能力：
- 开放词汇实例分割
- 空间关系推理（方位词、序数词理解）
- 跨帧一致性保持
推荐模型：
任务描述：解析长视频（数十分钟至数小时）中的时序事件、人物交互、场景变换，需捕捉时空动态特征。
关注能力：
- 动态分辨率帧采样
- 跨镜头事件关联
- 秒级时间戳定位
推荐模型：
任务描述：构建可操作物理世界/数字界面的智能体，完成点击、拖拽等具体动作。 关注能力：
- 屏幕元素OCR与操作映射
- 多步骤任务规划
- 异常状态恢复
推荐模型：
任务描述：根据用户提供的自然语言描述（文本），生成符合语义要求且视觉上合理、高质量、多样化的图像。应用于艺术设计、广告创意等领域。
关注能力：
- 高质量图像生成
- 多样性与可控性
- 文本+图像的可控生成
推荐模型：
任务描述：通过自然语言描述生成符合语义的动态视频内容的技术。其核心目标是实现跨模态对齐（文本到视觉的映射）和时序连续性（视频帧间的动态连贯），生成高质量、可控且符合用户意图的视频。可用于内容创作、虚拟现实等领域。
关注能力：
- 时序建模能力
- 视觉保真度与多样性
推荐模型：
任务描述：通过输入自然语言描述和控制信号（包括关键点、边缘检测、mask），生成符合与文本、可控信号对齐的视频。可用于内容创作、视频编辑等领域。
关注能力：
- 多样性与可控性
- 跨模态能力对齐
推荐模型：