https://jason-azure.github.io/ai-blog/tags/llava/Recent content in LLaVA on AI 学习笔记Hugo -- 0.146.0zh-CNSat, 11 Apr 2026 00:00:00 +0000https://jason-azure.github.io/ai-blog/posts/multimodal-llm-architecture/Sat, 11 Apr 2026 00:00:00 +0000https://jason-azure.github.io/ai-blog/posts/multimodal-llm-architecture/GPT-4 能看图、Gemini 能看视频、Qwen-VL 能看中文文档——但一个语言模型是怎么’看见’图像的？答案藏在三个组件的协作中：视觉编码器把图像切成 token，对齐模块把视觉 token 翻译成语言能懂的格式，LLM 把它们和文字一起处理。本文从 ViT 到 CLIP 到 LLaVA，完整拆解多模态大模型的架构。