# 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](01-vision-transformer-patch-tokens/)

从仓库根目录运行：

```bash
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](02-clip-contrastive-pretraining/)。

浏览[阶段 12 的完整课程列表](../../README.md#phase-12)或[跨阶段路线图](../../ROADMAP.md)。