Vision Encoder

多模态大模型通过视觉编码器（Vision Encoder）将图像转化为高维向量表示，再与语言模型的文本理解能力融合

Vision Encoder 的核心作用是对齐（alignment），即把视觉空间的信息映射到大语言模型的语义空间

Qwen的视觉大模型主要基于语言大模型前接Vision Encoder，处理语音的模型则前接语音Encoder，视觉与语言模型仍相对分离

多模态模型的视觉能力通常通过视觉编码器实现，常见方案包括ViT或SigLIP等预训练视觉模型