ViT 与 Vision-Language 模型的关系是什么?为什么 Transformer 能跨模态通用?
ViT 与 Vision-Language 模型的关系及 Transformer 的跨模态通用性
一、ViT 与 Vision-Language 模型的关系
1. 核心关系:ViT 是 Vision-Language 模型的“视觉引擎”
ViT (Vision Transformer) 本身是一个纯视觉模型,负责将图像转换为向量表示。
Vision…
2026/8/9 14:37:19