请介绍你了解的多模态大模型，并说明这类模型在架构上通常采用哪些做法来实现视觉与文本的联合建模。

回答思路

1. 能列举至少两三个主流多模态模型并简述其定位
2. 能概括常见的架构模式，如单塔联合训练或多塔特征对齐
3. 能说明预训练目标与对齐方式（如对比学习、生成式训练）
4. 能提及最近的方向，如统一模型或原生多模态理解
5. 能结合参数量、数据规模说明其能力来源