多模态

1 篇文章

2026年9月25日模型也会看图：ViT、aligner、图像 token 与 Encoder parallel一张图片如何从像素变成向量、再插进文本序列：32 层 ViT、patch 14、3× 下采样 aligner、每图 1024 token 上限。顺带讲清两个互斥的部署开关（--language-model-only 与 Encoder parallel），以及为什么验证服务时必须发一条图片请求。DeepSeek vLLM 模型部署多模态术语科普