多模态与计算机视觉
【BLIP系列架构与训练】BLIP-2的整体结构是什么？两阶段训练流程是怎样的？用到了哪些损失函数？BLIP2相对于BLIP有哪些改进，BLIP3又有哪些改进？ 「字节跳动、阿里巴巴、阿里通义」
原题原题未明确 BLIP3 所指版本或理解/生成路线。
【Deepseek-VL架构】Deepseek-VL的模型架构padding是如何做的？ 「蚂蚁集团」
原题【FLUX模型架构】FLUX中文本模态的condition如何注入的？ 「百度」
原题【LLaVA投影层】LLaVA模型如何将视觉编码器与大语言模型进行连接？请描述其视觉-语言投影层的设计思路及训练阶段。介绍一下LLaVA的projection layer有哪几种？并谈谈你对Projection Layer作用的理解，Linear与MLP效果有何差异？ 「百度、腾讯」
原题【LLaVA版本演进】简述LLaVA-1.5相比于1.0版在输入分辨率和模型架构上的具体提升。 「腾讯」
原题「百度、蚂蚁集团」
MLLM 不做对齐会有什么结果？
MLLM 的对齐分别有哪些任务，介绍下(grounding、OCR 这些)？
MLLM 训练的时候 vision encoder 也是有一个单独的 loss 吗？
原题完整原题
【MLLM对齐与训练】MLLM 不做对齐会有什么结果？MLLM 的对齐分别有哪些任务，介绍下(grounding、OCR 这些)？MLLM 训练的时候 vision encoder 也是有一个单独的 loss 吗？ 「百度、蚂蚁集团」
【Q-Former机制】解释BLIP-2中Q-Former的核心逻辑，它是如何解决视觉特征与文本LLM维度不匹配问题的？ 「腾讯」
原题「京东、百度、美团、腾讯、蚂蚁集团、阿里巴巴」
Qwen2.5-VL的架构包含什么？其Transformer结构与普通Transformer有何不同？如何处理图像和视频等多模态输入？
文本和图像的位置编码分别如何实现？
Qwen2.5-VL的grounding机制是怎么变的？
Qwen2.5-VL pretrain 阶段用了哪些数据？
展开其余 5 个小问
Qwen2.5 VL相对Qwen 2 VL做了哪些改进？
Qwen的max pixels参数是什么？
Qwen3 VL的image encoder是什么？
Qwen的ViT是怎么处理绝对时间对齐的？
介绍Qwen2.5-VL及其视觉编码器。
原题完整原题
【Qwen2.5-VL架构与改进】Qwen2.5-VL的架构包含什么？其Transformer结构与普通Transformer有何不同？如何处理图像和视频等多模态输入？文本和图像的位置编码分别如何实现？Qwen2.5-VL的grounding机制是怎么变的？Qwen2.5-VL pretrain 阶段用了哪些数据？Qwen2.5 VL相对Qwen 2 VL做了哪些改进？Qwen的max pixels参数是什么？Qwen3 VL的image encoder是什么？Qwen的ViT是怎么处理绝对时间对齐的？介绍Qwen2.5-VL及其视觉编码器。 「京东、百度、美团、腾讯、蚂蚁集团、阿里巴巴」
【Qwen3-VL创新点】简单讲下qwen3vl的核心创新点。 「腾讯」
原题【Qwen-Omni模型】你怎么看新出的Qwen-Omni？请讲一下Qwen-Omni。 「蚂蚁集团」
原题
暂无题目