ViT
多模态模型是如何处理和理解图片的？
·6721 字·14 分钟
AI
多模态
机器学习
ViT
CLIP
视觉编码
从Vision Transformer到图文对齐，探索多模态模型背后的核心技术原理与实现方法，包括CLIP、SigLIP以及主流多模态大模型的视觉编码策略。