多模态训练:从像素到语义,一个模型统治所有模态目录 多模态训练概述 视觉编码器:ViT 与 CLIP 多模态对齐:对比学习与跨模态注意力 多模态融合:早期融合与晚期融合 多模态生成:文本到图像、图像到文本 ...2026-08-11阅读(5)