multimodal-deep-dive：从零上手多模态 LLM 的实战教学仓库
alexvervloet 发布 multimodal-deep-dive 仓库，通过 11 个分节示例从零讲解多模态 LLM 的实际工作方式，涵盖图像输入的 content-block 结构、截图转结构化 JSON、多图对比、语音转文字与文字转语音、图像生成、多模态 RAG 和原生 PDF 输入。
推荐理由：仓库用可运行的分节示例拆解多模态请求的 content-block 结构与图像 token 成本，并给出 OpenAI 与 Claude 的能力差异对照。