多模态与计算机视觉
【VLM幻觉与信息完备】VLM的信息完备和幻觉，怎么trade-off？ 「阿里通义」
原题【VLM缩放定律】VLM是否存在scaling law？ 「阿里通义」
原题【Wan2.1模型架构】Wan2.1的模型架构细节是什么？包括图像特征和文本特征是如何注入进去的？ 「百度」
原题【原生多模态理解】讲一下你对原生多模态的理解？ 「腾讯」
原题【在线视频理解】介绍了一个项目，聊了一下online的视频理解怎么做，目前多模态模型的一些问题以及可能的改进方向。 「百度」
原题【多模态DPO训练】多模态的DPO的训练是如何做的？如何构造数据？ 「百度」
原题【多模态token设计】视频、音频、文字混合的复杂多模态场景，如何设计token和位置编码？ 「腾讯」
原题【多模态召回】业务场景题。你觉得有哪些信息，除了画面和文本信息，还有哪些信息是可以被用来去召回这些内容商品不符的类别的。 「字节跳动」
原题【多模态后训练】在多模态大模型成为趋势的背景下，后训练技术会面临哪些新的机遇和挑战？ 「蚂蚁集团」
原题【多模态图文一致性评估】多模态场景怎么评估：如何检查“图文一致性/不编造信息”？优先加哪些自动化检查？ 「拼多多」
原题
暂无题目