北京师范大学学报（自然科学版）2025年6月 第61卷第3期

背景：视觉语言模型在低资源场景面临标注数据缺乏和迁移困难的挑战。研究目的：提出基于语码转换的中国民族语言预训练模型视觉问答方法（CCMPLM-VQA），通过跨语言掩码建模降低对标注数据的依赖，并引入语言适配器提升多模态对齐效果。结论：该方法在通用视觉推理数据集上零样本性能提升12%，跨语言场景优于现有方法约1%，有效解决了低资源语言视觉问答问题。