多模态文本生成技术近年来经历了两次显著的范式跃迁:从基于编码器–解码器架构的专用生成模型(范式一)到基于预训练大型语言模型(LLM)的统一生成框架(范式二)。梳理了范式一在CNN+RNN、注意力机制以及专用Transformer架构下的典型模型与成就,同时指出了信息瓶颈、任务专用性及缺乏指令驱动能力等局限性。重点解析了范式二中CLIP、Flamingo、BLIP-2、LLaVA等统一框架的原理、能力优势及“冻结LLM+轻量连接+指令微调”的技术路线,并探讨了原生多模态架构的前沿趋势。结合挑战分析,提出了统一大模型未来的四个发展方向。