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。
把图像切成小块当 token,直接用 Transformer 处理的视觉编码器。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
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。
一张 1024×1024 的图按 16×16 切块,会变成 4096 个视觉 token。
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。
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。