多模态模型部署常见问题包括：AutoProcessor加载失败需手动构造；Qwen-VL属性名不匹配需查dir(model)；多图输入须单图处理；显存优化需降精度、调图像尺寸并避免torch.compile。
LLaVA 加载模型时卡在 AutoProcessor.from_pretrained
常见现象是下载卡住、报 ConnectionError 或返回空 processor。这不是代码写错了，而是 Hugging Face 默认尝试加载远程 tokenizer + image processor 配置，但部分多模态模型（如原始 LLaVA-1.5）没把 processor 配置推到 Hub，或用了非标准字段。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 手动构造 processor：用
CLIPImageProcessor处理图像，LlamaTokenizer（或对应 base 模型的 tokenizer）处理文本，别依赖AutoProcessor - 检查模型路径是否含
llava-v1.5类字样——这类权重通常不带完整 processor，得按其 GitHub README 手动拼接组件 - 若用
llava-hf/llava-1.5-7b-hf这类 HF 官方封装版，确认transformers >= 4.36，旧版本会因缺少LlavaProcessor类而 fallback 失败
Qwen-VL 推理时报错 AttributeError: 'Qwen2VLForConditionalGeneration' object has no attribute 'model'
这是 transformers 版本和模型结构不匹配的典型症状。Qwen-VL 系列（尤其是 Qwen2-VL）内部结构和 LLaMA 不同，它的语言模型主干叫 language_model，不是通用的 model 属性。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 别直接调
model.model或model.transformer——先 printdir(model)看真实属性名 - 图像 token 插入逻辑必须走
model.get_vision_tower()和model.get_mm_projector()，不能硬套 LLaVA 的model.vision_tower - 使用
qwen-vl官方 repo 的QwenVLProcessor，而非 transformers 自带的AutoProcessor，后者不识别image字段的嵌套格式
多图输入时 batch 推理崩掉或输出错乱
LLaVA / Qwen-VL 均不原生支持「单 prompt + 多图」的 batch 维度对齐。你传入 [img1, img2] 和一个 prompt，模型内部会把两张图 flatten 成一串 patch tokens，但 attention mask 和 position id 很容易没对齐，导致生成乱码或 CUDA error。
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 强制单图 per sample：哪怕你要比对两张图，也拆成两个独立样本，用
torch.cat合并 logits 再后处理 - Qwen-VL 支持
patch_size动态缩放，但 batch 内所有图必须等宽高比，否则image_grid_thw计算会出错；预处理时统一 resize + pad，别只 crop - LLaVA 的
image_newlinetoken 是 per-image 插入的，batch 中某张图缺这个 token，整个 batch 的 token offset 就全偏了
本地部署时显存爆掉，OOM when allocating tensor
多模态模型的视觉编码器（ViT）本身就很吃显存，再加上大语言模型，哪怕 7B 参数 + 448×448 图像，A100 80G 也可能扛不住。问题常出在图像预处理阶段：默认用 float32 加载 PIL 图，再转 tensor，中间没释放。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 图像加载后立刻
.to(torch.bfloat16)或.half()，ViT encoder 通常兼容，别等进 model 才转 - 禁用
torch.compile：目前多模态 forward 中存在动态 shape（如不同图 patch 数不同），torch.compile会反复 recompile 导致显存泄漏 - Qwen-VL 的
max_image_size默认是 1280，实际推理时设成448或512能省一半显存，但注意别小到让文字区域被裁掉
真正麻烦的是图像 token 和文本 token 的长度耦合——改图尺寸不仅影响 vision encoder，还牵连 language model 的 KV cache 长度。这点很容易被忽略，调参时得两边一起看。
