feat: publish native multimodal chapter

ROADMAP.md

@@ -108,6 +108,14 @@ Kimi K2→K2.5→K3 的 white-box harness、AET、AgentENV 和百万 Token Agent
 
 ViT/CLIP → Flamingo/BLIP-2/LLaVA → 原生多模态与视频；Kimi-VL、MoonViT-V2 和“视觉进入同一主干”的意义。
 
+首版已完成：以语义空间、连接器、视觉 Token、OCR / 文档、视频、融合、理解 / 生成、SFT、RL、
+Agent、幻觉、安全、评测、系统、MoE 与产品谱系十六张账，串起 2012–2026 的 55 个一手节点。
+正文把像素、视觉塔、压缩 / projector、主干与输出 / 工具拆成五层；重点讲解 DeepSeek-VL/VL2、
+Janus、DeepSeek-OCR 三条不同分支，以及 Kimi-VL → K2.5 → K3 从 SigLIP 初始化和独立对齐，
+走到 MoonViT-V2 从头共同 next-token prediction 的训练制度变化。配套视觉 Token、connector /
+native、光学上下文压缩与 vision-in-the-loop 四个独立实验，所有作者报告、教学插值和证据外区域
+明确分级。
+
 ### 14. 推理服务与低成本部署
 
 KV Cache、PagedAttention/vLLM、连续批处理、推测解码、Prefill/Decode 解耦、前缀缓存、集群调度；Mooncake 与 K3 KDA-aware serving。