本框架展示了信息流与迭代推理过程：左侧多模态输入（视觉/文本/环境/知识）→ 中间核心推理引擎（编码层→迭代推理循环[视觉感知→RAG检索→LLM推理→视觉引导]→输出生成）→ 右侧多层次输出（分割定位/分类分级/可解释报告）+ 人机协同反馈回路。