1、LLM（大模型）LLM = Large Language Model，大语言模型LLM（大语言模型）：常见的LLM是基于 Transformer 结构、海量文本数据预训练，能理解、生成人类自然语言的模型，代表：GPT 系列、Llama、Qwen 通义千问、文心一言、星火大模型2、MLLM（多模态大模型）MLLM = Multimodal Large Language Model ，多模态大语言模型；能处理图片、音频、视频、文本，是所有超大参数量预训练 AI 模型的统称区别：LLM 只处理文本；MLLM = 文本 + 图像 + 音频 + 视频等多模态输入输出3、VLM（视觉语言大模型）VLM = Vision-Language Model 觉语言大模型作用：既能看懂图片，又能理解文字，图文交互问答输入：图片 + 自然语言提问输出：文字答案4、CLIP（图文对比预训练）CLIP（Contrastive Language-Image Pre-training）CLIP 是图文配对的尺子，没有 CLIP 就很难实现文生图、看图问答OpenAI 提出的图文对齐基础模型，VLM 的基石核心目标：把图片、文字映射到同一个向量空间图片编码器→图片向量文本编码器→文字向