Gemma 4 看视频时在预测什么
matthen2 · x · 2026-07-19
作者在问：多模态 LLM 看视频时，到底“在想什么”？
这里提到 Gemma 4 12B 会直接读取原始图像 patch，像 token 一样处理；虽然它并没有被训练去在这些“patch token”上做预测，但视频展示了：如果强行从它的 next-token head 采样，会得到怎样的下一步预测结果。这个帖子更像是在展示多模态模型内部表示与预测机制，而不是普通的产品介绍。
所属事件:Gemma 4图像补丁预测可视化揭示模型机制(4 条相关)→
「多模态」频道最新
- 2 小时 50 美元复刻 Kurzgesagt 格式，引出「AI 创作缺意图」之争 — motionbynick · 2026-10-27
- 29 美分用 Dreamina Seedance 伪造大坝灾难「幕后花絮」 — Standard_Spell5873 · 2026-10-27
- Reddit 求助：Qwen Image 2.1 换装总毁身材比例，Flux 3 Klein 略好 — Existing-Box-7866 · 2026-10-27
- ComfyUI 打造跨场景一致角色：RealVisXL V5 加 img2img 面部参考 — MiaLarsonJL · 2026-10-27
- 29 美分生成迈克尔·贝式屋顶大片，Seedance 实测效果惊人 — PersonalSpace_4225 · 2026-10-27
- 3 步 Turbo LoRA 实测:Moss 图像模型极速出图效果展示 — JadedScorpion · 2026-10-27