【学习笔记】大模型如何理解图片

"图片输入"如何一路变成"可被语言模型处理并联合推理的文本序列"

主要步骤：

图像张量解析 → 预处理与标准化 → 分块与嵌入 → 视觉特征提取 → 语义投影对齐 → 跨模态序列融合 → 联合推理与解码。