从纯文本迈向多模态，最大的挑战之一是如何在 Transformer 的线性序列中，保留图像的二维空间结构与视频的三维时序信息。若简单地沿用 1D 位置编码，图像 Patch 在展平后会丢失关键的空间关联（如垂直相邻关系），视频帧之间的时空逻辑也难以被单一维度捕捉。

为此，Qwen2-VL 提出了 M-RoPE，一种通用的 3D 旋转位置编码方案。它将位置信息拆解为 Time、Height、Width 三个正交维度，让模型能同时感知序列的先后与空间的时空坐标。

本文将以原理演进 + 源码拆解为主线，按以下逻辑展开解析：
先从基础的 1D RoPE 切入，回顾文本位置编码的数学原理；
再拓展至 2D RoPE，说明图像空间结构的编码方法；
随后核心讲解 M-RoPE 如何通过新增时间维度实现多模态统一编码；
而 position_ids 作为贯穿各类 RoPE 编码的关键输入，将在 1D、2D RoPE 原理铺垫后提前拆解，为后续 M-RoPE 的深入理解奠定基础，最终完整呈现这一让 LLM 精准捕捉多模态位置信息的核心机制。