https://jason-azure.github.io/ai-blog/tags/%E5%9B%BE%E5%83%8F%E7%94%9F%E6%88%90/Recent content in 图像生成 on AI 学习笔记Hugo -- 0.146.0zh-CNWed, 13 May 2026 00:00:00 +0000https://jason-azure.github.io/ai-blog/posts/multimodal-image-architecture/Wed, 13 May 2026 00:00:00 +0000https://jason-azure.github.io/ai-blog/posts/multimodal-image-architecture/多模态不是让 LLM 简单长出眼睛。更准确地说，是把文字、图片、声音、视频变成模型能处理的 token 或 embedding，再让 Transformer、扩散模型、Flow、VAE、视觉编码器、音频 codec 和视频生成器协同工作。看图、听音、懂图、画图、生成视频，背后其实是几种不同的数据流。