多模态融合的核心目的是什么？

多模态融合的核心目的是什么？

1. 组合文本、图像和音频等模态的表示或决策，使它们共同服务于一个任务
2. 在编码前把每种模态都转为原始文本，并丢弃全部非文本结构
3. 训练彼此独立、输出永不比较或组合的模型