多模态与计算机视觉
【BLIP与BLIP2文本生成】BLIP和BLIP2中的文本生成有什么区别？ 「美团」
原题【BLIP创新与CLIP对比】BLIP模型在图文理解中引入了哪些创新机制？它与CLIP在训练目标和架构上的核心区别是什么？ 「腾讯」
原题【BLIP损失函数与数据清洗】BLIP的三个损失函数分别是什么，数据是怎样清洗的？ 「阿里通义」
原题【BridgeTower模型】简述BridgeTower等模型如何通过跨模态连接层解决视觉与文本信息在深层的丢失。 「腾讯」
原题【Caption与图文交错数据】从模型的角度，caption数据和图文交错数据主要的区别是什么？ 「美团」
原题【CLIP与QwenVL对比】CLIP与QwenVL区别：图像分类适用性？ 「阿里通义」
原题【CLIP与T5文本编码器】CLIP和T5两个文本编码器的作用，怎么注入到输入过程中的？ 「阿里巴巴」
原题【CLIP与ViT代码实现】手撕代码的部分力扣hot100 多模态大模型: CLIP + ViT。 「字节跳动」
原题来源未列出具体力扣题，也未明确要求手写 CLIP/ViT。
【CLIP后续发展】CLIP之后有哪些新进展？ 「美团」
原题「百度、腾讯、阿里巴巴、阿里通义」
CLIP的损失函数是什么？请分别详细解释image-to-text和text-to-image两个方向的损失计算过程。实现InfoNCE Loss（CLIP）。
为什么需要KL散度/CLIP？
Q-Former原理。
原题完整原题
【CLIP损失函数与InfoNCE Loss实现】CLIP的损失函数是什么？请分别详细解释image-to-text和text-to-image两个方向的损失计算过程。实现InfoNCE Loss（CLIP）。为什么需要KL散度/CLIP？Q-Former原理。 「百度、腾讯、阿里巴巴、阿里通义」
暂无题目