技术报告阅览（AI辅助阅读）以往的视觉语言模型：是预训练好的语言模型 + 视觉编码器CLIP， 通过连接层进行强行连接原生：将图片和文字在预训练阶段就转化为同等地位的token。

技术报告阅览（AI辅助阅读）以往的视觉语言模型：是预训练好的语言模型 + 视觉编码器CLIP， 通过连接层进行强行连接原生：将图片和文字在预训练阶段就转化为同等地位的token。