

KI und Informatik
Multimodale Modellarchitektur für große Sprachen
- Aufbau:
- zwei Eingabezweige in ein Modell
- Seitenverhältnis:
- 16:9
Prompt
Erstellen Sie ein Architekturdiagramm eines „multimodalen großen Sprachmodells“, lesen Sie es von links nach rechts. Zeichnen Sie jede Beziehung genau wie aufgelistet und nichts weiter:
1. 【Oberer Zweig: ein Bildsymbol → Vision-Encoder → Projektor.】
2. 【Unterer Zweig: ein Textsymbol → Tokenizer.】
3. 【Beide Zweige verbinden sich zu einem großen LLM-Block.】
4. 【Das LLM erzeugt eine Antwort, die als Sprechblase angezeigt wird.】
Beschriftungen (jede genau einmal verwenden, keinen weiteren Text hinzufügen): 【Image, Vision encoder, Projector, Text, Tokenizer, LLM, Response】.
Stil: schematisches Diagramm im Journal-Stil. Saubere, flache Vektorgrafiken auf weißem Hintergrund. Module sind abgerundete Rechtecke oder einfache Symbole mit ihren Kurznamen darin; Helle Pastelltafeln gruppieren verwandte Ebenen. Nur 3-4 gedämpfte Farben mit jeweils einer festen Bedeutung. Dünne, gleichmäßige Pfeile zeigen den Fluss von Daten, Energie, Material oder Einfluss; gestrichelte Pfeile für indirekte oder Feedback-Links. Nur serifenlose englische Etiketten, jedes Etikett kommt genau einmal vor und wird genau wie angegeben geschrieben. Kein 3D-Rendering, keine Schatten, kein Leuchten, keine Cyberpunk- oder Tech-Hintergrunddekoration, kein Fotorealismus.
Öffnet Yila mit diesem Prompt und dem Beispiel als Referenzbild.
Die Beispiele wurden mit Nano Banana erstellt. Der Prompt funktioniert auch mit GPT Image und anderen Bildmodellen; die Ergebnisse unterscheiden sich je nach Modell.






