模型架构

视觉 Transformer

Vision Transformer (ViT)

把图像切成小块当 token,直接用 Transformer 处理的视觉编码器。

又称 ViT Patch Embedding

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

一张图被切成 14×14 或 16×16 的 patch,每个 patch 线性映射成一个向量,加上位置编码送进 Transformer。图像从此能用和文本几乎一样的方式建模。

多模态大模型里,ViT 通常只负责「把图看懂」,输出的视觉 token 再和文本 token 拼到一起交给语言模型。所以分辨率一提高,视觉 token 数会平方级增长,上下文和账单一起涨。

✦举个例子

一张 1024×1024 的图按 16×16 切块,会变成 4096 个视觉 token。

✓实战提示

上传高清图前先算视觉 token 成本;OCR 类任务适当裁切比无脑提分辨率更划算。

02 什么时候会碰到它
读模型卡、选型或看论文结构时

厂商说「用了 GQA」「换成 MoE」「支持百万上下文」时,指的都是这一层的设计。不必会推导公式,但要知道改动影响的是显存、速度还是表达能力。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活