给音视频一个共享时钟:深入浅出 TMRoPE
上一篇讲了 Omni 模型怎么「边想边说」,这一篇补输入侧:模型怎么知道哪句话配哪个画面?从 RoPE 的表盘、M-RoPE 的三维拆分,讲到 TMRoPE 的 40ms 共享时钟,再看 Qwen3-VL 与 MiniCPM 们对同一道题的不同答卷。
上一篇讲了 Omni 模型怎么「边想边说」,这一篇补输入侧:模型怎么知道哪句话配哪个画面?从 RoPE 的表盘、M-RoPE 的三维拆分,讲到 TMRoPE 的 40ms 共享时钟,再看 Qwen3-VL 与 MiniCPM 们对同一道题的不同答卷。