跳到主要内容

decoder-only 要同时吃商品图和「这双鞋是什么底」。patch 拼进同一条自注意力,对比借助 cross-attention 把图侧特征送进去,两者在 KV 开销与定位上差在哪里?

模型选型与微调中级模型选型与微

题目​

decoder-only 要同时吃商品图和「这双鞋是什么底」。patch 拼进同一条自注意力,对比借助 cross-attention 把图侧特征送进去,两者在 KV 开销与定位上差在哪里?

参考答案​