页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「视觉编码器」找到 15 条内容
按专题浏览 →匹配正文：…模态工具与任务链 知识模块 VLM、图文对齐与多模态应用 VLM、图文对齐与多模态应用 常见问题 多模态面试最常问哪些基础？ 常问视觉编码器、图文对齐、投影层、训练数据、OCR / 文档理解、评估指标，以及 VLM 和纯文本模型协同的工程方案。 没有多模态项目经验怎么补？ 先做一个文档理解或看图问答小项目，把图片输入、提示词、结构化输出、评估和失败 case 讲清。比泛泛背 VLM 架构更有用。 多模态 Agent 和普通 Agent 有什么不同？ 多模态 Agent 多了感…
匹配标题与标签：视频切帧优化：语义+动态采样 结合语义重要性、动态采样率与模型反馈机制 多模态 视频理解 时序采样 多模态预训练 视觉编码器 动态推理 2026真题 视频切帧优化 动态采样率 语义重要性 模型反馈机制 多模态大模型 快手
匹配正文：三种典型桥接结构 LLaVA-1.5使用预训练CLIP视觉编码器提取图像特征，经两层MLP projector映射到语言模型token空间。特征对齐阶段冻结视觉编码器和LLM，主要训练projector；视觉指令微调阶段仍冻结视觉编码器，并更新projector与LLM。不能说projector始终是唯一可训练模块，也不应给无来源固定参数量。 BLIP-2冻结图像编码器与LLM，在中间训练Q-Former。Q-Former由可学习query通过cross-attention从…
学习内容与项目面试，在同一条路上。