大语言模型如何读图？ - Graduate ML - 英语原声/中配

P1中文配音 / P2英语原声
----------------------------------------------------------------
本视频讲解大语言模型如何“读图”：把图像切成图块并打乱，再加入空白类别 token，通过注意力机制让图块之间彼此“聆听”。内容拆解查询、键、值、Softmax 加权混合，并说明位置编码如何补上位置信息，使邻域猜测从限制变成提示。最后延伸到 CLIP 架构，用额外簿记稳定梯度下降，核心是让导数来决定谁和谁对话。
----------------------------------------------------------------
00:00:00 窗口的局限
00:02:14 引入注意力机制
00:03:13 注意力的运作机制
00:06:18 类别标记与训练
00:08:02 应对设计挑战
00:10:01 Transformer与未来
----------------------------------------------------------------
原标题：How Do Large Language Models Read Pictures?
原作者：Graduate ML
发布日期：2026-09-22
视频链接：https://www.youtube.com/watch?v=pfJtaw_OSsk