[控场AI]
待验证50% 置信事实精确时间

Transformer架构最初用于文本，后扩展至图像（ViT）、音频（AST）和多模态。

1
来源数
50%
置信度
长期有效
时效性
2026/11/1
首次发现

来源

跨模态ML技术通用模式：寻找文本、图像、音频的统一分类法

涉及实体

TransformermodelViTmodelASTmodel

相关事实

部分验证Transformers框架支持文本、视觉、音频及多模态模型76% 相似待验证DALL·E 1基于离散VAE和Transformer架构实现文本到图像生成72% 相似待验证最新一代的编辑模型采用DiT（Diffusion Transformer）架构，将图像token和文本token统一处理，从而实现更精细的跨模态对齐69% 相似

引用此条事实

Stable URI
https://kongchang.com/claim/1121927
API
curl https://kongchang.com/api/v1/knowledge/claims/1121927
MCP
get_claim(id=1121927)