VLM 训练中的 Sequence Packing 如何处理视觉 Token 和多模态边界？

知识专题：训练框架、调参与排障题目类型：原理机制技术难度：进阶

相关面经：1 篇

未标记

Sorry o(╥﹏╥)o，暂无参考答案。带这道题，问问AI吧~

问 AI

Kimi 千问 ChatGPT

本题目录

相关面经

1 篇

字节跳动

大模型算法

2026-03-23实习一面

查看原面经 →

追问

那你们在处理 VLM 视觉特征时的具体 Packing 细节是怎么样的？因为视觉 Tokens 的处理逻辑肯定比纯文本要更复杂一些