视觉编码器的训练方法、视觉编码方法和装置

本公开提供了视觉编码器的训练方法、视觉编码方法和装置，涉及人工智能技术领域，尤其计算机视觉、深度学习、大模型等技术领域。具体实现方案为：将样本图像划分为多个图像块，该样本图像包括任意尺寸的图像；根据多个图像块及各个图像块在样本图像中的位置信息，确定各个图像块的融合特征；将各个图像块的融合特征输入视觉编码器的转换模块，由转换模块确定多个图像块的注意力参数；并由视觉编码器基于多个图像块的注意力参数和融合特征，预测样本图像的图像特征；基于图像特征调整视觉编码器的参数。