字节对齐pack

字节豆包、武大提出 CAL：通过视觉相关的 token 增强多模态对齐效果 当前主流的视觉语言模型（VLM）主要基于大语言模型（LLM）进一步微调。因此需要通过各种方式将图像映射到 LLM 的嵌入空间，然后使用自回归方...