面试题库 › 算法 / 大模型 › 图文多模态大模型的发展历程

图文多模态大模型的发展历程

难度 ★★★在 1 场真实面经中被问到 方向:算法 / 大模型考点:视觉与多模态模型

哪些公司问过

字节跳动1

常见岗位:大模型算法

答案要点

  1. 早期视觉语言预训练:检测器区域特征 + BERT 式 Transformer,双流(ViLBERT、LXMERT)与单流(VisualBERT、UNITER)
  2. CLIP 阶段:双塔编码器在大规模图文对上做对比学习,零样本能力强;ALBEF、BLIP 融合对比与生成
  3. 接入大模型:Flamingo 门控交叉注意力、BLIP-2 的 Q-Former、LLaVA 投影层加视觉指令微调
  4. 当前趋势:GPT-4V、Gemini、Qwen-VL 等多模态大模型,动态分辨率、视频理解、更原生的多模态训练

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