常见的多模态大模型有哪些,M-RoPE 是什么
哪些公司问过
答案要点
- 闭源:GPT-4o 系列、Gemini;开源:LLaVA、Qwen-VL、InternVL、MiniCPM-V
- 结构:视觉编码器加投影层加大语言模型
- M-RoPE 来自 Qwen2-VL,把位置拆成时间、高度、宽度三个分量
- 文本三分量相同,退化成一维 RoPE;图像高宽随位置变;视频时间随帧增
- 能统一表示文本、图像、视频位置,适应不同分辨率和长视频
易错点
- 只列模型名,不说共同的结构
- 把 M-RoPE 说成只是换了位置编码名字
- 说不清文本和图像在 M-RoPE 里的取值
面试官常见追问
- RoPE 的基本思想是什么?
- M-RoPE 相比普通 RoPE 有什么优点?
- 多模态大模型怎么处理视频?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。