面试题库 › 算法 / 大模型 › Qwen-VL 系列与 Qwen2.5-VL 整体架构

Qwen-VL 系列与 Qwen2.5-VL 整体架构

难度 ★★★在 4 场真实面经中被问到 方向:算法 / 大模型考点:大模型结构演进

哪些公司问过

腾讯2字节跳动2

常见岗位:大模型算法、推荐搜索广告

答案要点

  1. 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
  2. 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
  3. 合并器把相邻 2×2 patch 特征压缩为一个 token,减少视觉 token 数
  4. 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
  5. 强化文档解析、OCR、绝对坐标定位和视觉 Agent 能力

易错点

面试官常见追问

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。

相关面试题