从零开始的OCR-0——基础篇[VLM] 学习目标：掌握 VLM 的基础组成与数据流 → 理解 Vision Encoder、Projector、Q-Former 与 LLM 的连接方式 → 掌握视觉语言对齐与多阶段训练 → 理解 LLaVA、BLIP-2 两种代表性架构的设计差异，为后续现代 VLM 架构学习打下基础。→ ???(架构篇将带来更难更多更复杂的核心设计) 难度：⭐⭐ 重要性：⭐⭐⭐⭐⭐ 曾经，它通晓万卷典籍，却不曾真正看见这世间的山河。如今，视觉为眼，语言为魂，二道归一……沉睡已久的天眼，终于睁开了。…