待验证50% 置信事实精确时间
使用对比学习目标时，噪声标签对视觉-语言对齐的破坏相对可控；而生成式目标（如图像描述）对标签错误更敏感。
1
来源数
50%
置信度
长期有效
时效性
2026/11/7
首次发现
来源
涉及实体
相关事实
待验证在视觉-语言预训练中，可以对图文对比损失使用软标签或标签平滑，将硬标签替换为均匀分布与真实标签的混合，从而避免模型对单个错误标签过度自信。78% 相似待验证对抗样本攻击可以在图像上添加人眼难以察觉的噪声,却能让模型产生错误分类69% 相似待验证图像审核面临对抗性规避问题，例如通过轻微修改像素或添加噪声绕过检测。66% 相似待验证在噪声干扰下，高层语义特征最先受损，而低层特征仍可被提取；人类能够主动将注意力从语义层转向感知层，这是应对视觉不确定性的认知灵活性表现。66% 相似待验证开发者指出abliterate一个模型并不会让图像输出更加去审查，编码器真正价值在于提示词增强与视觉解码场景66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1146926API
curl https://kongchang.com/api/v1/knowledge/claims/1146926MCP
get_claim(id=1146926)