## window attention
![8c4b3a64-3ab5-450b-bffd-25714cfb07ef.png](https://developer.qcloudimg.com/http-save/yehe-9497423/8dc3ec705ee87d63f0bc7dad752fc0e9.png)
以Qwen2.5 VL 3B为例，patch_size=14，输入图像按照14 \* 14划分成多个patch块。对于尺寸为(H \* W)的图像，视觉token数为：
N = (H/14) \* (W/14)
如果直接做Attention注意力计算，时间复杂度为：O(N^2)。
Qwen VL采用window attention，按照window size把原始图片分成多块，比如window size=112，每个窗口内包含(112/14) \* (112/14) = 8 \* 8个patch块。多个块内做Attention注意力计算。时间复杂度可近似写为：O(N \* W^2)，W为每个窗口内patch数，N为窗口数量。

**Qwen2.5 VL**
patch_size是14，输入两张图片，第一张是800 \* 800，共有(800/14) \* (800/14) = 3249个图片token，第二张是639 \* 429，共有(639/14) \* (429/14) = 1350个图片token
window_size是112，(112/14) \* (112/14) = 8 \* 8 = 64个图片token，也就是说一个窗口包含64个图片token。
在vision attention计算的时候，输出日志如下：
```请在此输入代码块语言
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401] cu_seqlens: tensor([   0,   64,  128,  192,  256,  320,  384,  448,  464,  528,  592,  656,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]          720,  784,  848,  912,  928,  992, 1056, 1120, 1184, 1248, 1312, 1376,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         1392, 1456, 1520, 1584, 1648, 1712, 1776, 1840, 1856, 1920, 1984, 2048,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         2112, 2176, 2240, 2304, 2320, 2384, 2448, 2512, 2576, 2640, 2704, 2768,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         2784, 2848, 2912, 2976, 3040, 3104, 3168, 3232, 3248, 3264, 3280, 3296,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         3312, 3328, 3344, 3360, 3364, 3428, 3492, 3556, 3620, 3684, 3732, 3796,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         3860, 3924, 3988, 4052, 4100, 4164, 4228, 4292, 4356, 4420, 4468, 4516,
(EngineCore_DP0 pid=660221) INFO 02-05 17:31:01 [qwen2_5_vl.py:401]         4564, 4612, 4660, 4708, 4744], device='cuda:0', dtype=torch.int32), input shape: torch.Size([1, 4744, 16, 80])
```
可以看到模型不区分是哪张图片的token，直接按window size取64个token做注意力计算。
所以，vision attention只有一个动态值：共有多少个window（结合了图片数和图片大小两个变量）
另外，Qwen2.5 VL有一些小参数量模型中，还保留几层full attention，比如：qwen2.5 VL 3B视觉模型中，7、15、23、31层是full attention，所有图片token一起做注意力计算。

**Qwen3 VL**
patch_size是16，输入两张图片，第一张是800 \* 800，共有(800/16) \* (800/16) = 2500个图片token，第二张是639 \* 429，共有(639/16) \* (429/16) = 1014个图片token
在vision attention计算的时候，输出日志如下：
```请在此输入代码块语言
INFO 02-05 17:02:54 [qwen3_vl.py:249] cu_seqlens: tensor([   0, 2500, 3540], device='cuda:0', dtype=torch.int32), input shape: torch.Size([3540, 1, 1024])
```
可以看到模型把两张图片分开，每次计算一张图片的token。
所以，vision attention共有两个动态值：1.图片数，2.每张图片对应的vision token（粗略看做图片大小）。

当然两个模型执行的底层代码都一样，相应的代码位置：
[vllm/vllm/v1/attention/ops/vit_attn_wrappers.py at main · vllm-project/vllm](https://github.com/vllm-project/vllm/blob/main/vllm/v1/attention/ops/vit_attn_wrappers.py#L141)
![7b918c41-750a-4bdc-9d75-67877bfa518e.png](https://developer.qcloudimg.com/http-save/yehe-9497423/41f2097a5f5cb63ee890e6ec1a482bb4.png)

以Qwen2.5 VL 3B为例，patch_size=14，输入图像按照14 * 14划分成多个patch块。对于尺寸为(H * W)的图像，视觉token数为：N = (H/14) * (W/14)如果直接做Attention注意力计算，时间复杂度为：O(N^2)。Qwen VL采用window attention，按照window size把原始图片分成多块，比如window size=112，每个窗口内包含(112/14) * (112/14) = 8 * 8个patch块。多个块内做Attention注意力计算。时间复杂度可近似写为：O(N * W^2)，W为每个窗口内patch数，N为窗口数量。

VLM视觉模型处理过程

本文主要介绍了Qwen2.5 VL和Qwen3 VL模型，是如何把图像像素变成图像token，进一步介绍了一种视觉attention加速方法-window attention。

AI Infra工程师

人工智能

Qwen2.5 VL采用window attention机制，将图像划分为14x14的patch块，通过112x112窗口划分降低计算复杂度。800x800图像生成3249个token，639x429图像生成1350个token。部分层保留full attention计算，优化视觉特征提取效率。Qwen3 VL改进为16x16 patch划分，支持更精确的图像处理。

2026新春采购季

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Qwen2.5 VL采用window attention机制，将图像划分为14x14的patch块，通过112x112窗口划分降低计算复杂度。800x800图像生成3249个token，639x429图像生成1350个token。部分层保留full attention计算，优化视觉特征提取效率。Qwen3 VL改进为1...

VLM视觉模型处理过程-腾讯云开发者社区-腾讯云

VLM视觉模型处理过程

VLM视觉模型处理过程

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐