看影片（在新分頁開啟原站）連到 YouTube・程序员老王
摘要
介紹 ViT 如何將圖片轉為 Token 並用 Transformer 處理，讓大模型能看懂圖片。
This video explains how ViT enables large models to understand images by converting them into tokens and processing them with Transformers.
這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。
適合誰看
對多模態大模型或視覺處理有興趣的開發者。
摘要依據
- 依據
- 標題與說明欄（還沒有取得字幕或內文）
為什麼排在這裡
- 人氣
- 0.30
- 新鮮
- 0.60
在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算
相關內容
- Diffusion Transformers (ViT, DiT, MMDiT)影片 ・ Julia Turc
- Stanford CS336 Language Modeling from Scratch | Spring 2026 | Lecture 17: Alignment - Multimodality影片 ・ Stanford Online ・ 1 小時 18 分
- 【生成式AI導論 2024】第10講：今日的語言模型是如何做文字接龍的 — 淺談Transformer (已經熟悉 Transformer 的同學可略過本講)影片 ・ Hung-yi Lee ・ 38 分鐘
- Transformers, the tech behind LLMs | Deep Learning Chapter 5影片 ・ 3Blue1Brown ・ 27 分鐘
- 【生成式人工智慧與機器學習導論2025】第3講：解剖大型語言模型影片 ・ Hung-yi Lee ・ 2 小時 5 分
- DeepSeek-OCR 提出解决长文本新范式 | 通过视觉编码压缩文本信息 | 压缩10倍仍可获得97%精度影片 ・ EZ.Encoder Academy
摘要由 AI 根據標題與說明欄產生（還沒有取得原文），可能有誤；完整內容請看原站。看影片（在新分頁開啟原站）