关于token数量的问题

[DimplesL]

在ospery中，convnext产生的image feature token应该是1024个 （1024 * 768的特征），再结合mask feature （128 + 64 + 32 + 16）和pos的 token，以及text的token 是否会比较容易超出2048比较多？ 如果以上数值理解有谬误，烦请指正，非常感谢～