Notes
MLLM 概览的重要参考。重点看视觉 tokenizer、位置编码（多模态 RoPE）与长视频处理策略。
学完以后，我能否回答这些问题？
- 这篇论文真正优化的目标是什么？训练信号从哪里获得？
- 它的核心机制相对基线新增了什么？主要收益在什么条件下成立？
- 哪些结论有实验支持，哪些迁移到我的研究还需要验证？
建议不看正文先回答，再回到相关章节核对。这里不自动判定「已读」。
论文笔记 约 1 分钟阅读
Qwen3-VL
Qwen3-VL Technical Report
Qwen3-VL 的视觉编码、位置表示与长视频理解
阅读设置