---

VIT

ViT（Vision Transformer） 首次将 Transformer架构成功应用于计算机视觉领域（尤其是图像分类任务）。传统视觉任务主要依赖卷积神经网络（CNN），而ViT通过将图像视为序列化的图像块（Patch），利用Transformer的全局注意力机制捕捉图像的长距离依赖关系，突破了CNN的局部感受野限制。

用途

处理方法

将图片划分为多个patch，转换为离散的向量，作为encoder输入,进行交互提取特征然后经过分类头输出。

与CNN区别

---

`

多模态

transformer架构天然为多模态而生。
Bert就常用于多模态训练：无论输入是文字，图片，还是声音，都让他们进入self_attention进行交互。
如：ViltBert就是一个多模态模型，用于从图片和文字中提取特征

LLM：大语言模型

基于transformer架构的大模型

以gpt为例，only-decoder架构的大模型

预训练

gpt采用自回归预训练，通过预测下一个字的生成，与翻译任务不同，预训练采用的是teach force.

指令微调

SFT 是 Supervised Fine-Tuning（监督微调）的缩写，是大语言模型（LLM）训练流程中的一个关键阶段。它的核心思想是：通过人工标注的高质量数据，进一步调整预训练模型的参数，使其更符合特定任务的需求（例如对话生成、指令遵循等）

强化学习

PPO 近端策略优化，选择某个操作如果正确奖励就越高，梯度就越大，朝着越好的方向更新，选择正确操作的概率越大。

总结

了解大语言模型的预训练，指令微调，强化学习的概念和典型例子。
以及大模型的不同架构实例，分为only-encoder,only-decoder,encoder-decoder；