多张图片输入加query

[blizzardwj]

由于文字的特点，可以切分也可以拼接，可以完成很多先检索再分析的任务。
但是图片作为输入，难以实现拼接和切分，是否可以通过改进模型的结构，让模型接收多张图片作为输入，这样可以让模型完成对比分析两张图片的任务？如下图，gpt4o的能力。