InternVL2.5 与 Qwen2.5-VL 的动态分辨率差异
哪些公司问过
上海人工智能实验室1
答案要点
- InternVL 动态切图:按宽高比选网格,切成 448×448 的块,并加全局缩略图
- InternVL 每块经 pixel shuffle 压缩 token,再经 MLP 投影到语言模型
- Qwen2.5-VL 原生动态分辨率:ViT 按原图切 14×14 patch,用二维旋转位置编码
- Qwen2.5-VL 合并相邻 2×2 patch,token 数随图像尺寸连续变化
- Qwen2.5-VL 在 ViT 中用窗口注意力降算力,视频时间编码与绝对时间对齐
易错点
- 把 InternVL 的切图说成原生动态分辨率
- 忽略缩略图在切图方案中提供全局信息的作用
- 记错具体数值,切块尺寸和块数上限以官方配置为准
面试官常见追问
- 切图方案和原生分辨率方案各自的优缺点?
- 高分辨率图像的 token 数怎么控制?
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。