视觉语言模型可视化

一个关于视觉语言模型可视化的总结，非常直观！

主要包含以下内容：像素和标记数据流（the pixel and token data flow），以及张量转换（tensor transformations），上下文窗口（the context window）、多头注意（Multi-Head Attention）、分组查询注意（Grouped-Query Attention）和滑动窗口注意（Sliding-Window Attention）。探索自回归的本质以及空间推理的局限性（spatial reasoning limitations）。