AI系列深度19期：多模态如何从模型拼接走向统一？.pptxVIP

增持（维持）

投资要点

n多模态智能的本质，是把文本、图像、音频、视频等映射进统一表示，并在此基础上完成理解、推理、生成与交互。我们认为，多模态是AI2.0“架构、任务、模态三重收敛”在模态维度的集中兑现。

n我们依据“模态对齐发生在流程的哪个阶段”，将多模态的发展过程划分三阶段：2021—2023年为外挂式/组合式阶段，CLIP、Flamingo、BLIP-2、LLaVA等通过视觉编码器、投影层、Q-Former或指令微调把图像接入语言模型；2023—2024年进入原生多模态阶段，Gemini代表多模态能力从接口层前移到预训练阶段；2024年至今进入全