想往一套系统里陆续加模态的话，级联式 LoRA 融合这条路我是认的。
原因不复杂。传统做法一开始就把所有模态塞进一个固定的融合结构，后面想加新模态，基本只能整体重训。这个框架拆开来做：每个模态先单独做 LoRA 适配，然后分阶段融合，关系近的模态先并到一起，异构、差异大的放到后面一点点接，前面学好的部分不动。
这么搞参数省了，换数据集、模态组合不一样的时候也不用推倒重来。验证用的是 NurViD 和护士培训那两个医疗动作识别数据集，比单模态强，跟之前各数据集上的专用 baseline 也基本打平。医疗培训场景模态本来就杂，参数高效地慢慢拼，比一把硬融合现实多了。
