请介绍多模态大模型（如视觉-语言模型）的典型网络结构，并说明各模块的作用。

回答思路

1. 能描述视觉编码器、文本编码器、融合模块、生成/输出模块等主要组成部分
2. 能说明各模块的输入输出与作用
3. 能举例说明主流模型（如CLIP、LLaVA）的结构差异与设计缘由