本文目录
多模态已经从加分方向变成很多应用岗的现实需求：看图问答、文档理解、GUI Agent、视频理解都在招。面试准备要抓住视觉编码、对齐、数据、评估和工程落地。
配套教程
知识模块
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 多了感知输入、视觉 grounding、OCR / 检测工具和更复杂的评估。核心仍是任务拆解、工具调用和失败恢复。