Qwen-VL 系列有哪些关键设计？M-RoPE 是什么？

一句话速记：支持动态分辨率（原生分辨率输入），用 M-RoPE 把位置分解为时间、高度、宽度三个分量，统一处理文本、图像和视频。

视觉语言

同章节的其他八股

• LLaVA 类多模态大模型的结构和训练流程？
• CLIP 是怎么训练的？
• ViT 的原理？图像 token 数怎么计算？
• 扩散模型的基本原理？DiT 是什么？
• BLIP-2 的 Q-Former 是什么？
• Flow Matching 和扩散模型有什么关系？
• Stable Diffusion 的结构？