该文章介绍了一种基于图像流的多模态人类水平故事生成方法，通过利用常识知识和文本推理架构，增强实际内容表达并保持序列一致性。经过人工评估，该方法在故事性能方面超过了之前的最佳方法，消融实验也验证了序列数据增强和SQ-Adapter的有效性。