你们这种模块堆叠的架构是怎么设计视觉问答模块和动作模块的协同逻辑的？

本题附完整参考答案与评分标准

登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。