标签

#多模态

共 3 篇文章

【字节跳动】多模态大模型了解多少？视觉-语言模型的主流架构有哪几种？

字节实习二面真题：考察对 VLM 架构谱系的梳理——双塔对比式（CLIP）、LLM 外挂视觉编码器（LLaVA/BLIP-2）、原生早融合三类路线，差异在融合深度与图文 token 的处理方式。

91学AI·10 阅读

阿里 Agent 开发校招一面真题：考察多模态文档 RAG——图片的 OCR/VLM 描述/向量化三条处理路线，chunk 与图片的关联索引，以及如何用引用和图片回填避免信息丢失。

91学AI·6 阅读

考察异构文档解析的工程能力：文字版与扫描版 PDF 的分流、表格结构抽取、OCR 与版面分析方案，以及多模态内容入库策略。

91学AI·10 阅读