原来的RoPE在升级成M-RoPE之前,它是怎么处理视频的?具体来说,对于每一帧或者说每一个patch,是怎么处理的?

Question

Accepted Answer

考察点：考察对原始RoPE在多模态视频场景下处理方式的理解。回答思路：明确原始RoPE主要应用于文本位置编码 说明视频场景下通常将每帧视为独立序列或拼接处理 指出每帧或每个patch的位置编码方式及可能的问题

考察说明