图像模型演进路线阅读指南 对照 CNN 的局部归纳偏置、ViT 的规模化学习、CLIP 的图文对齐与 Diffusion 的可控生成。 先掌握表征学习的变化，再进入生成模型；不建议把所有架构只按发表时间排列。 多模态 curator 2026-06-01