从 CLIP 对比预训练到连接器路线与原生 token 统一路线：图文音频联合建模的架构分歧、训练稳定性问题、模态不平衡与数据配比，一篇讲透。

从 Kinetics 到 Video-MME 的基准演进、视频编码器到 VLM 的模型迭代、token 瓶颈与帧采样难题：多模态视频理解的进展全景与开放问题。

GPT-4o 之前的多模态是「拼装」：LLM 外挂视觉编码器、外挂图像生成器。原生多模态把理解与生成合进一个模型——语音进出、图像进出都在同一套权重里。本篇拆解三代多模态架构（外挂拼接、原生统一、any-to-any）、早融合与晚融合的技术分野、统一模型的权衡，以及「模态是什么」这个被重新打开的问题。