这张图表对比了主流的多模态大模型架构，分为对比学习架构（CLIP风格）、视觉指令微调（LLaVA风格）、Q-Former架构（BLIP-2风格）和端到端融合（GPT-4V风格）四种类型，每种架构都详细展示了其输入、处理流程、输出以及架构特点和应用场景。