Vision-Language Mini App

使用 Gradio + Transformers 展示三個常見任務：

1. 影像描述（Image Captioning）
2. 視覺問答（VQA）
3. 影像－文字相似度（CLIP）

   首次推理會自動下載模型；在 Spaces 可用 CPU/ZeroGPU。