题目重点：用一张计算流程解释视觉语言模型，逐项回答端到端、reasoning时间与已知限制。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 回答基于真实项目；训练示例仅作提纲，不编造数据集、贡献、延迟或提升比例。
解题路线
- 先画image/video→视觉encoder→projector→语言模型→输出，说明视觉token数、维度匹配和连接方式。若用cross attention，与直接拼token方案分开。
- 讲数据来源、授权、类别/语言分布、近重复和标注质量；训练split按实体/时间隔离，说明你实际负责哪一环。
- 端到端是否包括视觉encoder、projector与LLM，哪些冻结、哪些adapter；目标、optimizer、batch、序列长度与显存预算都能沿计算图说明。
- reasoning时间拆预处理、视觉编码、prefill、逐tokendecode和网络，不用单次最好结果代表线上。测P50/P95、不同输入尺寸和输出长度。
- 限制用具体失败切片，例如小字OCR、时间顺序、罕见对象、幻觉；改进给可检验实验，并说明数据和算力成本。
手动走一遍
“视频模型慢”拆成帧数过多导致视觉token增长、prefill变长；先测分段采帧是否减少预算同时保留动作关键帧。没有做端到端训练时如实说明冻结encoder，不能把只训练projector称全模型训练。
规模与取舍
视觉token与文本token总长T改变attention成本，decode长度影响总延迟；报告实际batch与硬件环境，不给凭空毫秒数。
易错点与追问
容易失分的边界
- 列一串模型名却说不清连接。
- 训练数据分布答“各种都有”。
- 把研究潜在改进当已完成成果。
继续深挖
- 怎样设计失败切片实验？
- 怎么证明延迟优化没有牺牲关键场景质量？
