【免费下载链接】Falcon-PerceptionInference repo for Falcon-Perception and Falcon-OCR model, early-fusion, natively multimodal, dense Autoregressive Transformer models.项目地址https://gitcode.com/gh_mirrors/fa/Falcon-Perception点击查看免费下载Falcon-Perception 是一个原生多模态的密集自回归 Transformer 模型支持目标检测、实例分割与 OCR。它的核心设计之一是用1D 时序 RoPE 2D 空间黄金门Golden GateRoPE组合而成的3D 旋转位置嵌入让同一个注意力头既看得见文字的顺序又看得懂图像的空间布局。本文带你快速看懂这套 Falcon-Perception 位置编码的工作原理与源码实现。为什么多模态模型需要 3D 位置编码传统的 LLM 只需要一维位置第 1 个词、第 2 个词……文本有天然顺序一个 1D 位置 ID 就足够了。但 Falcon-Perception 是原生多模态模型图像 patch 直接作为 token 进入 Transformer没有先后顺序只有空间位置在第几行、第几列。如果只用 1D RoPE模型只知道这个 patch 排在哪里却不知道它在图像的哪个角落——这对检测左边的猫这类空间语义任务是致命的。Falcon-Perception 的解法很优雅把每个注意力头的一半维度留给 1D 时序旋转另一半留给 2D 空间旋转两套 RoPE 在同一组 Q/K 向量上并行工作合成一套 3D时间 空间位置编码。1D 时序 RoPE给文本一个时钟 1D 部分就是经典的 RoPERotary Position Embedding实现在 precompute_freqs_cisfreqs 1.0 / (theta ** (torch.arange(0, dim, 2) / dim)) # 频率谱 freqs_cis torch.polar(ones, t * freqs) # 预计算旋转相位基频thetarope_theta默认 10000定义在 ModelArgs 中预计算的频率表freqs_cis按位置索引推理时零开销低维频率转得慢、高维频率转得快让模型同时感知近距离顺序与远距离结构。关键细节时序位置tpos只对文本 token 递增图像 token 不消耗时间步。计算逻辑在 get_pos_thw_single——对图像相关 token 标记为 0再做累加。这样图像里的一百个 patch在时间轴上不挤占文本的位置预算。2D 空间黄金门RoPE学会图像坐标 空间部分与经典 RoPE 完全不同频率不是人为设定的公式而是模型学到的参数这就是黄金门Golden Gate的由来。频率是学出来的model.py 中初始化了一个可学习 bufferfreqs_cis_golden torch.empty((n_heads, rope_dim // 2, 2)) # 从 checkpoint 加载形状(n_heads, num_freqs, 2)每个注意力头、每个频率分量都有一对 2D 频率(f_h, f_w)分别对应行方向和列方向。位置怎么变成旋转角度apply_golden_freqs_cis_to_visual_pos 用一次 einsum 把每个 token 的 2D 坐标pos (h, w)与学习频率做点积得到旋转角 θ再转成复数相位theta torch.einsum(bsp,hfp-bshf, pos_BSP, freqs_hFP) # 位置 × 频率 角度坐标本身经过归一化见 _compute_image_spatial_positions按图像宽高比缩放到[-sqrt(W/H), sqrt(W/H)] × [-sqrt(H/W), sqrt(H/W)]并居中保证不同分辨率的图像都在同一坐标系里。文本 token 天然免旋转图像外所有 token 的pos (0, 0)旋转角为 0即单位旋转10j——文本 token 原样通过不被破坏。这个 trick 让同一套 RoPE 可以无缝作用于混合序列无需分支判断。3D 组合两个半区各转各的 最终的合成在 apply_3d_rotary_embxq_t, xq_hw xq.chunk(chunks2, dim-1) # head_dim 对半切分 xq_t 1D RoPE(xq_t, freqs_cis) # 前半时序旋转 xq_hw 黄金门 2D RoPE(xq_hw, freqs_cis_2d) # 后半空间旋转以 Perception 变体为例head_dim 128每个注意力头的前 64 维负责第几个 token后 64 维负责图像的哪个位置。在注意力计算前这一操作在 Attention._pre_attention 中对 Q、K 统一施加为什么旋转 Q 和 KRoPE 的妙处在于两个位置 i、j 的点积只依赖相对距离 (i−j)。旋转后Q·K自动编码这两个 token 相隔多远 / 相隔几个 patch位置关系直接融入注意力分数。工程细节为推理性能而设计 ⚡源码里有不少值得学习的工程巧思细节说明解码阶段跳过 2D 旋转生成 token 不含图像freqs_cis_golden None直接省掉计算见 model.py零 CUDA sync黄金门 RoPE 无数据依赖的分支形状不触发 GPU 同步注释见 rope.pycomplex64 频率表PyTorch 版用复数表示相位MLX 版mlx/rope.py改用 cos/sin 实数表数学等价频率随 checkpoint 保存freqs_cis_golden是persistentTrue的 buffer随模型权重一起加载源码导航一文在手位置编码不愁 想深入了解去哪里1D RoPE 频率预计算falcon_perception/rope.py黄金门 2D RoPE 实现falcon_perception/rope.py3D 合成入口apply_3d_rotary_emb文本/图像位置 ID 计算get_pos_thw模型配置rope_theta / head_dimModelArgsAttention 中 RoPE 的调用位置Attention._pre_attentionMLXApple Silicon实现falcon_perception/mlx/rope.py写在最后Falcon-Perception 的 3D RoPE 用一次维度对半分把时序与空间两类位置信息装进同一个注意力头1D RoPE 保住文本的顺序感黄金门 2D RoPE 给图像 patch 注入空间感文本 token 又通过零位置旋转毫发无伤。没有额外 token、没有分支网络位置信息以纯旋转的形式融入 Q/K——这正是它能以原生多模态方式做检测、分割与 OCR 的底层基石之一。想动手验证的话仓库的 demo/perception_single.py 一条命令即可跑通完整推理。赞分享【免费下载链接】Falcon-PerceptionInference repo for Falcon-Perception and Falcon-OCR model, early-fusion, natively multimodal, dense Autoregressive Transformer models.项目地址https://gitcode.com/gh_mirrors/fa/Falcon-Perception点击查看免费下载相关推荐3步实现消息防撤回Windows通讯软件逆向工程完全指南3步实现消息防撤回Windows通讯软件逆向工程完全指南 在信息时代消息撤回功能既是便利也是困扰。当重要信息在你眼前消失当工作通知被撤回导致任务遗漏当学桌面应用逆向工程即时通讯nix-flatpak版本控制策略如何选择stable、latest与main分支nix flatpak版本控制策略如何选择stable、latest与main分支 nix flatpak是一个用于NixOS的声明式Flatpak管理器它如何使用lib-jitsi-meet快速集成视频会议功能到你的Web应用如何使用lib jitsi meet快速集成视频会议功能到你的Web应用 lib jitsi meet是一个功能强大的底层JavaScript视频API它允许上一篇空洞骑士模组管理器Scarab2024年终极安装与配置指南下一篇The Book of Shaders 入门GLSL 布尔向量 bvec2 的声明、初始化与实战解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】Falcon-PerceptionInference repo for Falcon-Perception and Falcon-OCR model, early-fusion, natively multimodal, dense Autoregressive Transformer models.项目地址https://gitcode.com/gh_mirrors/fa/Falcon-Perception点击查看免费下载Falcon-Perception 是一个原生多模态的密集自回归 Transformer 模型支持目标检测、实例分割与 OCR。它的核心设计之一是用1D 时序 RoPE 2D 空间黄金门Golden GateRoPE组合而成的3D 旋转位置嵌入让同一个注意力头既看得见文字的顺序又看得懂图像的空间布局。本文带你快速看懂这套 Falcon-Perception 位置编码的工作原理与源码实现。为什么多模态模型需要 3D 位置编码传统的 LLM 只需要一维位置第 1 个词、第 2 个词……文本有天然顺序一个 1D 位置 ID 就足够了。但 Falcon-Perception 是原生多模态模型图像 patch 直接作为 token 进入 Transformer没有先后顺序只有空间位置在第几行、第几列。如果只用 1D RoPE模型只知道这个 patch 排在哪里却不知道它在图像的哪个角落——这对检测左边的猫这类空间语义任务是致命的。Falcon-Perception 的解法很优雅把每个注意力头的一半维度留给 1D 时序旋转另一半留给 2D 空间旋转两套 RoPE 在同一组 Q/K 向量上并行工作合成一套 3D时间 空间位置编码。1D 时序 RoPE给文本一个时钟 1D 部分就是经典的 RoPERotary Position Embedding实现在 precompute_freqs_cisfreqs 1.0 / (theta ** (torch.arange(0, dim, 2) / dim)) # 频率谱 freqs_cis torch.polar(ones, t * freqs) # 预计算旋转相位基频thetarope_theta默认 10000定义在 ModelArgs 中预计算的频率表freqs_cis按位置索引推理时零开销低维频率转得慢、高维频率转得快让模型同时感知近距离顺序与远距离结构。关键细节时序位置tpos只对文本 token 递增图像 token 不消耗时间步。计算逻辑在 get_pos_thw_single——对图像相关 token 标记为 0再做累加。这样图像里的一百个 patch在时间轴上不挤占文本的位置预算。2D 空间黄金门RoPE学会图像坐标 空间部分与经典 RoPE 完全不同频率不是人为设定的公式而是模型学到的参数这就是黄金门Golden Gate的由来。频率是学出来的model.py 中初始化了一个可学习 bufferfreqs_cis_golden torch.empty((n_heads, rope_dim // 2, 2)) # 从 checkpoint 加载形状(n_heads, num_freqs, 2)每个注意力头、每个频率分量都有一对 2D 频率(f_h, f_w)分别对应行方向和列方向。位置怎么变成旋转角度apply_golden_freqs_cis_to_visual_pos 用一次 einsum 把每个 token 的 2D 坐标pos (h, w)与学习频率做点积得到旋转角 θ再转成复数相位theta torch.einsum(bsp,hfp-bshf, pos_BSP, freqs_hFP) # 位置 × 频率 角度坐标本身经过归一化见 _compute_image_spatial_positions按图像宽高比缩放到[-sqrt(W/H), sqrt(W/H)] × [-sqrt(H/W), sqrt(H/W)]并居中保证不同分辨率的图像都在同一坐标系里。文本 token 天然免旋转图像外所有 token 的pos (0, 0)旋转角为 0即单位旋转10j——文本 token 原样通过不被破坏。这个 trick 让同一套 RoPE 可以无缝作用于混合序列无需分支判断。3D 组合两个半区各转各的 最终的合成在 apply_3d_rotary_embxq_t, xq_hw xq.chunk(chunks2, dim-1) # head_dim 对半切分 xq_t 1D RoPE(xq_t, freqs_cis) # 前半时序旋转 xq_hw 黄金门 2D RoPE(xq_hw, freqs_cis_2d) # 后半空间旋转以 Perception 变体为例head_dim 128每个注意力头的前 64 维负责第几个 token后 64 维负责图像的哪个位置。在注意力计算前这一操作在 Attention._pre_attention 中对 Q、K 统一施加为什么旋转 Q 和 KRoPE 的妙处在于两个位置 i、j 的点积只依赖相对距离 (i−j)。旋转后Q·K自动编码这两个 token 相隔多远 / 相隔几个 patch位置关系直接融入注意力分数。工程细节为推理性能而设计 ⚡源码里有不少值得学习的工程巧思细节说明解码阶段跳过 2D 旋转生成 token 不含图像freqs_cis_golden None直接省掉计算见 model.py零 CUDA sync黄金门 RoPE 无数据依赖的分支形状不触发 GPU 同步注释见 rope.pycomplex64 频率表PyTorch 版用复数表示相位MLX 版mlx/rope.py改用 cos/sin 实数表数学等价频率随 checkpoint 保存freqs_cis_golden是persistentTrue的 buffer随模型权重一起加载源码导航一文在手位置编码不愁 想深入了解去哪里1D RoPE 频率预计算falcon_perception/rope.py黄金门 2D RoPE 实现falcon_perception/rope.py3D 合成入口apply_3d_rotary_emb文本/图像位置 ID 计算get_pos_thw模型配置rope_theta / head_dimModelArgsAttention 中 RoPE 的调用位置Attention._pre_attentionMLXApple Silicon实现falcon_perception/mlx/rope.py写在最后Falcon-Perception 的 3D RoPE 用一次维度对半分把时序与空间两类位置信息装进同一个注意力头1D RoPE 保住文本的顺序感黄金门 2D RoPE 给图像 patch 注入空间感文本 token 又通过零位置旋转毫发无伤。没有额外 token、没有分支网络位置信息以纯旋转的形式融入 Q/K——这正是它能以原生多模态方式做检测、分割与 OCR 的底层基石之一。想动手验证的话仓库的 demo/perception_single.py 一条命令即可跑通完整推理。赞分享【免费下载链接】Falcon-PerceptionInference repo for Falcon-Perception and Falcon-OCR model, early-fusion, natively multimodal, dense Autoregressive Transformer models.项目地址https://gitcode.com/gh_mirrors/fa/Falcon-Perception点击查看免费下载相关推荐3步实现消息防撤回Windows通讯软件逆向工程完全指南3步实现消息防撤回Windows通讯软件逆向工程完全指南 在信息时代消息撤回功能既是便利也是困扰。当重要信息在你眼前消失当工作通知被撤回导致任务遗漏当学桌面应用逆向工程即时通讯nix-flatpak版本控制策略如何选择stable、latest与main分支nix flatpak版本控制策略如何选择stable、latest与main分支 nix flatpak是一个用于NixOS的声明式Flatpak管理器它如何使用lib-jitsi-meet快速集成视频会议功能到你的Web应用如何使用lib jitsi meet快速集成视频会议功能到你的Web应用 lib jitsi meet是一个功能强大的底层JavaScript视频API它允许上一篇空洞骑士模组管理器Scarab2024年终极安装与配置指南下一篇The Book of Shaders 入门GLSL 布尔向量 bvec2 的声明、初始化与实战解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
