早期融合

晚期融合指各子模型先独立完成预测，再在输出层面合并结果；早期融合则是在特征层面拼接多源信息共同训练。

早期融合策略能捕获跨模态细粒度交互，但对输入长度和计算资源提出更高要求，实际部署需关注视频帧采样策略和上下文窗口限制。

早期融合指在模型输入阶段就将不同模态的token映射到同一表示空间，并让它们在同一Transformer中交互。