

AI 与计算机
多模态大模型结构
- 构图:
- 两路输入汇入一个模型
- 画幅:
- 16:9
提示词
画一张【多模态大模型】的结构图,从左往右读。严格按下面列出的关系画,不多画:
1. 【上路:图片图标 → 视觉编码器 → 投影层。】
2. 【下路:文本图标 → 分词器。】
3. 【两路汇入一个大的 LLM 模块。】
4. 【LLM 生成回答,画成一个对话气泡。】
标签(每个只出现一次,不加其他文字):【Image, Vision encoder, Projector, Text, Tokenizer, LLM, Response】。
风格:期刊式示意框图。白色背景上干净的扁平矢量图形。模块画成圆角矩形或简洁图标,名称写在里面;用浅色面板把相关的层归在一起。只用 3–4 种低饱和度颜色,每种颜色含义固定。细而粗细一致的箭头表示数据、能量、物质或影响的流向,间接或反馈关系用虚线箭头。图中文字只用英文无衬线字体,每个标签只出现一次,拼写与给定完全一致。不要 3D 渲染、阴影、发光、赛博朋克或科技感背景装饰,不要照片质感。
在 Yila 中打开,并带上这段提示词和示例参考图。
示例图由 Nano Banana 生成。提示词也可用于 GPT Image 等图像模型,效果因模型而异。






