按组长大纲与第五部分PDF搭建第五讲整体结构，拆分为 chapters/ch5_multimodal.tex 由主文件引入：
- 5.1 表示学习与跨模态对齐：单模态编码、自监督预训练、跨模态对齐(含CLIP InfoNCE损失)、跨模态融合
- 5.2 基础模型结构与训练：通用结构、视觉语言模型、指令微调、图像-语音-文本联合建模
- 5.3 条件生成建模：条件生成基础、文生图(扩散+CFG公式)、图像编辑、跨模态交互生成
- 全程以机器学习问题为主线，图像内容写实，语音/音频小节用 \todochen 占位待陈丹补充
XeLaTeX 编译通过。