请描述LLaVA模型的训练细节，以及Qwen语言模型与CLIP视觉编码器在架构上是如何拼接的。

Question

Accepted Answer

考察点：考察对多模态大模型LLaVA训练流程与视觉-语言特征拼接机制的理解。回答思路：能说明LLaVA两阶段训练流程（预训练对齐与指令微调） 能解释CLIP视觉编码器输出与Qwen词嵌入的投影对齐方式 能指出训练时视觉编码器与语言模型的冻结/微调策略 能阐述拼接后特征的维度匹配与输入格式

考察说明