Qwen-VL 系列与 Qwen2.5-VL 整体架构
哪些公司问过
答案要点
- 三段式结构:动态分辨率 ViT、MLP 视觉语言合并器、Qwen2.5 语言模型
- ViT 原生动态分辨率,大部分层用窗口注意力降低计算,少数层保留全局注意力
- 合并器把相邻 2×2 patch 特征压缩为一个 token,减少视觉 token 数
- 多模态 RoPE 拆分时间、高、宽位置,视频时间维与绝对时间对齐并动态采帧
- 强化文档解析、OCR、绝对坐标定位和视觉 Agent 能力
易错点
- 说 Qwen2.5-VL 把图片缩放到固定分辨率输入,实际是原生动态分辨率
- 把初代 Qwen-VL 的交叉注意力适配器和 Qwen2.5-VL 的 MLP 合并器混为一谈
- 只讲图像部分,忽略视频的时间维位置编码和采帧策略
面试官常见追问
- Qwen-VL 系列各代的主要特点是什么?
- 动态分辨率相比固定分辨率有什么好处和代价?
- 视觉编码器为什么要用窗口注意力?
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。