【大模型12步学习路线 · 第12步 · ①原理篇】多模态 LLM + Multimodal RAG 全景:从 Qwen3-VL 到 ColPali / ColQwen2.5,让 LLM看懂Spec

【大模型12步学习路线 · 第12步 · ①原理篇】多模态 LLM + Multimodal RAG 全景:从 Qwen3-VL 到 ColPali / ColQwen2.5,让 LLM"看懂"Spec 时序图

系列定位:「大模型正确学习顺序」12 步系列第 12 步 · 多模态的 ①原理篇 ——最后一步,Veri-Copilot v1.0 大结局。
前置阅读:第 4 步 RAG + 第 9-11 步部署 / 微调 / 量化(Veri-Copilot v0.7 工业版完成)。
本篇产出:VLM 工作原理 +2026 主流 VLM 全景(Qwen3-VL / Qwen2.5-VL / InternVL3 / Llama 4 Scout / GPT-5 / Gemini 2.5 Pro)+Multimodal RAG 三大架构(Caption / Unified /Page-as-Image)+ ColPali/ColQwen2.5 深度解读 +IC 验证多模态需求图谱+ 决策树。

🚀 0. 开场:Spec PDF 里 60% 的信息你的 RAG 看不到

打开一份 AXI4 协议手册,你会看到什么?

📄 AXI4 Spec ├── 文字描述 ← 40%(传统 RAG 能用) ├── 时序图(Timing Diagram) ← 25%(SVA 灵魂!) ├── 波形图(Waveform) ← 15%(调试关键) ├── 状态机图(FSM) ← 10%(协议状态) ├── 模块互连图 ← 5%(接口) └── 表格(Tables) ← 5%(寄存器映射)

60% 的信息以"图"的形式存在。Veri-Copilot v0.7 的 5 个文本 RAG 子库全都看不到。

举个具体痛点:工程师问 “AXI4 AWVALID 在 AWREADY 之前最多可以提前几拍?”,答案在 spec 的时序图里(箭头标注 1-16 拍),文字描述里只有一句"详见时序图"。v0.7 的 RAG 找不到答案→ 工程师只能自己翻 PDF。

v1.0 的目标:让 spec 中的图直接进 RAG,Veri-Copilot 能"看到"时序图、波形图、FSM。

🧬 1. VLM(Vision-Language Model)工作原理