四、VLM 架构演进之三时代
据多位研究者之整理，VLM 之架构演进可分为三个时代：
Era 1（早期，2021-2022）：双塔 + 可学习跨模态桥
- 架构：使用可学习之跨模态桥（如 Q-Former），将冻结之视觉编码器连接到冻结之语言模型
- 代表：CLIP、BLIP、Flamingo
Era 2（2023-2025）：预训练 LLM 为中心，视觉为可插拔适配器
- 架构：将预训练 LLM 作为主干，视觉视为可插拔之适配器
- 代表：LLaVA、Qwen2.5-VL、GPT-4V（早期）
Era 3（2025-2026，最新一代）：完全去掉桥接结构
Era 3 之共同特征：完全去掉桥接模块；图像、视频、音频共享单一 tokenizer / 嵌入空间；通过单一 Transformer 从零训练。#### Era 3a — 原生多模态输入 → 文本输出
- 代表模型：Qwen3.5 / Qwen3.6、Gemma 4、Gemini 3、GPT-5.4、Phi-4-Reasoning-Vision、Claude Opus 4.6
- 在融合主干之上增加专用解码器头（图像 VAE / MMDiT / flow-matching；音频编解码解码器头）
- 模型可以原生生成文本、图像和/或语音
- 代表模型：BAGEL、Qwen3.5-OmnI、InternVL-U、Emu3 / Emu3.5、Janus-Pro、Ernie 5.0