以下是含有“多模态”标签的全部文章：

引言：一个看似简单却又极其困难的问题当你将一张小狗的照片发给如今支持图片识别的人工智能时，你问他：这是什么动物，他立马会回答你：这是一只小狗。这个看似简单的识图过程，却隐藏着一个非常困难的技术挑战，语言模型本质上是一个处理文字的数学机器，他又是如何实现“看到”照片的呢？LLM的输入是离散的符号——一串Token ID，例如：[234, 789, 102...