音频与视频内容的多模态适配

图片周围的文字📚段落最好与图片内容直接相🌅关，形成语义呼应

例如，使用“VideoObject”标记视频内容，使用“ImageObject”标记图片，并标注对应的文本描述、时长、分辨率等信息

多模态数据的结构化标记

涉及步骤、要点或对比时，优先采用 <ul>或<ol> 列表💯结👍构，便于模型提取结构化信息