CLIP 中文本编码器的结构是什么样的，输入输出是什么？
考察说明
考察对 CLIP 模型架构细节的理解以及多模态模型中文本分支的处理方式
回答思路
- 准确描述文本编码器的输入格式，如 token 化后的文本序列
- 指出文本编码器通常采用 Transformer 架构，具体到 CLIP 为 GPT-2 风格的 Transformer
- 说明输出是每个 token 的上下文表示，并强调通常取 [EOT] 位置或平均池化作为文本特征
- 理解文本特征与图像特征通过对比学习对齐到统一空间
本题已收录答题指导
本题附完整参考答案与评分标准
登录后可查看结构化答题指导；也可以直接开一场模拟面试，AI 面试官用本题实时追问并给出评分。