docs/models/index.md

models/ · 模型拼装

按模态能力分三个子包，每个含 config.py + model.py：

子包	主干类	配置类	父类
models/lm	LM + LMForCausalLM	LMConfig	PreTrainedModel
models/vlm	VLM	VLMConfig(LMConfig)	LMForCausalLM
models/vam	VAM	VAMConfig(LMConfig)	LMForCausalLM

继承链：VLM / VAM → LMForCausalLM → PreTrainedModel + GenerationMixin。 因此三者**共享 LM 主干、lm_head、generate()**，多模态只在 forward 里额外注入视觉/音频特征。

细节：

• lm.md — LM（纯组件堆叠）与 LMForCausalLM（加 head、损失、生成）
• vlm.md — 视觉特征如何拼接到 LLM
• vam.md — 全模态：视觉 + 音频 + Talker 语音生成