阶段 12：多模态 AI

能看、能听、能读，并跨模态推理的模型。

在 GitHub 上开始本阶段

前置要求： 阶段 7 的 Transformer 与阶段 4 的计算机视觉。

第一课： 视觉 Transformer 的图像块 token

从仓库根目录运行：

python3 phases/12-multimodal-ai/01-vision-transformer-patch-tokens/code/main.py

记录命令、退出码、图像块网格和序列长度、参数量，以及一句解释：为什么更高分辨率会产生更多视觉 token。

下一步： 改变图像或图像块尺寸之一，预测序列长度，然后继续学习CLIP 与对比式预训练。

浏览阶段 12 的完整课程列表或跨阶段路线图。