关于qwen_vl_utils中fetch_video和fetch_image函数实现可能出现错误的疑问

[wqruan]

在vision_process.py的第405行，fetch_video函数的开头，会计算单个block的宽度 image_factor = image_patch_size * SPATIAL_MERGE_SIZE

随后在425-426行，处理视频中的每一帧时，会将image_factor传入fetch_image函数中，

executor.submit(fetch_image, {"image": video_element, **process_info}, image_factor)
for video_element in ele["video"]

但是在第100行，fetch_image函数中，会再次方法image_factor

image_obj = None
patch_factor = int(image_patch_size * SPATIAL_MERGE_SIZE)
if isinstance(image, Image.Image):
image_obj = image

倘若，image_patch_size=14，SPATIAL_MERGE_SIZE=2， 则fetch_video会按照patch_factor=1422=56来进行resize，这样是不是有问题呀？

[wulipc]

Hi @wqruan ，感谢反馈！ 目前代码 fetch_image 是支持 传入image_patch_size 的，因为要兼容 vl2.5 的 patchsize 14 和 vl3 的 patchsize 16；现在 patchsize 是通过 process_vision_info 参数传入的，现在设置的默认值是 14， 如果使用 vl3 需要设置为 16。

[wqruan]

对图像的处理是没有问题的，但是如果在fetch_video里面调用fetch_image的话，14的patch_size会被放大成28，这会导致出现不符合预期的结果～

[wulipc]

@wqruan 感谢，已 PR