多模态与计算机视觉
【音视频对齐】视频与音频的对齐(Audio-Visual)在实际落地中常见的挑战有哪些？ 「腾讯」
原题【Flamingo模型结构】解释Flamingo模型中的Perceiver Resampler结构及GATED XATTN-DENSE机制。 「腾讯」
原题【FLUX模型架构】FLUX-Fill的模型结构，输入维度，具体的shape，怎么拼接的，为什么要先双流后单流？ 「阿里巴巴」
原题【MLLM安全对齐】MLLM 做安全对齐你会如何做数据(筛选、过滤、去重、去除简单的数据)？ 「蚂蚁集团」
原题【MLLM定位能力】你觉得 MLLM 能做好 grounding 任务吗？ 「蚂蚁集团」
原题【MLLM强化学习】你觉得 MLLM 做强化学习有必要吗？ 「蚂蚁集团」
原题【MLLM预训练】听了你的 Paper 场景描述，既然 MLLM 在 edited image 上表现不好，为什么不考虑预训练做你的场景？ 「腾讯」
原题【Qwen3-VL性能优化】Qwen3VL的应用场景中，模型性能瓶颈表现在哪些方面？你是如何优化的？ 「百度」
原题原条目汇集多个模型家族的问法，未给出统一的 VAE 配置。
QwenVL系列架构详细解析，历代VL有什么改进，
mRoPE详解，
LoRA基本原理以及两个矩阵怎么初始化以及为何，
CLIP架构详解讲解，以及训练方法。
介绍Qwen Image以及Qwen Image Edit架构，VAE细节。
原题完整原题
【Qwen-VL架构】QwenVL系列架构详细解析，历代VL有什么改进，mRoPE详解，LoRA基本原理以及两个矩阵怎么初始化以及为何，CLIP架构详解讲解，以及训练方法。介绍Qwen Image以及Qwen Image Edit架构，VAE细节。 「百度、腾讯混元」
【VLA模型实时性】现在的VLA(Vision-Language-Action)模型火得一塌糊涂，你觉得它在车上真的能实时跑起来吗？ 「字节跳动」
原题
暂无题目