VLM 中图文融合通常如何实现？请简述常见方案。

Question

Accepted Answer

考察点：考察对视觉语言模型多模态融合机制的理解。回答思路：能列举视觉编码器与语言模型连接的典型方式 能够说明投影层、交叉注意力或统一 Transformer 等方案特点 对方案优劣有基本认识，如参数效率、对齐质量

考察说明