从零开始的OCR-0——基础篇[ViT ／ CLIP] 学习目标：掌握 ViT 的完整流程与维度变化 → 掌握 Patch Embedding、CLS Token、Position Embedding → 掌握 CLIP 双塔架构、对比学习、InfoNCE Loss、Temperature 难度：⭐⭐⭐ 重要性：⭐⭐⭐⭐⭐ 世间万象，本不属于文字的领域。然而，当图像化作 Token，当视觉与语言在同一片识海中产生共鸣……那道横亘于两个世界之间的壁垒，终于出现了裂痕。 ViT ViT 的思想十分简单：既然…