模态对齐（Modality AI 词典：Alignment">Alignment），指的是让不同模态的数据——文字、图片、声音——在模型内部被映射到同一个语义空间里，使得"含义相同的东西"在这个空间里挨得很近。
为什么需要对齐
文本是离散的符号序列，图片是像素网格，音频是波形采样。三种东西形态毫无共同之处，模型没法直接比较。于是常见做法是各配一个编码器（encoder），分别把它们压成向量。
问题是，如果两个编码器各练各的，出来的向量就活在两套坐标系里：文本向量说"猫"在 (0.8, 0.1)，图像向量说这张猫图在 (0.2, 0.9)，两个数字毫无关系，算距离也没有意义。
对齐要解决的就是这件事：让它们在同一个坐标系里表达同一个意思。
怎么做到
最常用的思路是对比学习（contrastive learning）。拿一大批成对的图文——网页上图片配的说明文字、商品图和商品标题——送进模型。训练目标很直白：配对的图文向量互相拉近，不配对的推远。反复成千上万次之后，文本编码器和图像编码器就被"逼"出了一套共用的坐标习惯。之后看到一只猫的照片和"一只猫"这句话，两个向量在空间里的位置就会贴在一起。
打个比方：两个科室各有一套档案编号，一个用"A-001"，一个用"图-甲-3"。你要查"同一份文件"，得先翻两本对照表。对齐做的事，是重新制定一套统一坐标——以后不管从哪个科室进门，同一份文件都落在同一个格子里。
容易混的几个词
| 概念 | 关心什么 | 一句话 |
|---|---|---|
| 模态对齐 | 表示空间 | 把不同模态映射到同一个语义坐标 |
| 多模态融合 | 信息交互 | 在同一个空间里让模态互相"看见"、共同推理 |
| AI 对齐（AI Alignment） | 目标与价值观 | 让模型行为符合人类意图，与模态无关 |
前两个是流水线上的先后关系：先对齐，再融合。第三个只是重名，别混。
它的实际意义
对齐是多模态模型真正意义上的第一步。它做得好不好，直接决定零样本分类、图文检索、以图搜商品、文生图这些任务的天花板——因为后面接再大的融合模块，也无法从两套互不相干的坐标系里读出正确信息。
对普通人来说，它就是"你用说话的方式找图，系统真能找对"背后那件看不见的事。至于各家模型具体怎么实现、效果如何，以官方页面为准。