多模态大模型技术原理教程 > 本教程系统讲解多模态大模型（Multimodal Large Language Model, MLLM）的技术原理，从单模态模型的局限性出发，沿着「如何看 → 如何对齐 → 如何融合 → 如何训练 → 如何生成与应用」的递进逻辑，深入拆解 Vision Transformer、CLIP、Cross-Attention、BLIP-2、LLaVA、Stable Diffusion、Sora 等代表性架构背后的设计思想、数据流向与数学原理。 教程定位 本教程面向以下读者： 熟悉深度学习基础，希望系统理解多模态大模型内部机制的算法工程师 希望把大语言模型（LLM）能力扩展到图像、视频、音频场景的应用开发者 需要为业务选型或自研多模态模型的技术决策者 教程兼顾学术原理与工程落地：既有架构拆解与数学推导，也有对 SOTA（State Of The Art）模型的对比分析，帮助读者建立可迁移到新模型的方法论。