F. 多模态 VLM¶

把 LLM 接到视觉/视频。本章覆盖 VLM 架构选型（编码器、投影层、骨干网络）、训练三阶段完整 recipe、高分辨率与视频理解技术、端侧部署与 NPU 适配，以及世界模型与视频生成的接壤地带。