#VLM

【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。