多模态 · 基础与架构¶

梳理连续特征拼接、交叉注意力读取与离散 Token 联合生成，区分统一 Embedding 空间和生成分布。Early/Late Fusion 在不同文献中定义不一，应比较实际计算路径，不能把输入层拼接误判成浅层交互。

重点追问：视觉表示是否占用语言序列位置？压缩了多少信息？冻结哪些参数？能理解图片是否意味着能生成图片？这些问题比记住模型归类更能检验架构理解。