已验证80% 置信事实精确时间
多模态大模型将图像切分为固定patch经视觉编码器（基于ViT架构）转换为高维向量后对齐到语言模型token embedding空间，是推断而非读取
6
来源数
80%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证嵌入模型把文字、语音、图片等不同内容压缩成固定长度的数值向量，含义相近的内容其向量在高维空间中的距离更近79% 相似待验证投影层通过可训练的多层感知机或线性映射，将视觉特征向量对齐到语言模型的token嵌入空间。78% 相似待验证当前主流的多模态理解技术路径是将视觉编码器输出的图像特征，通过投影层或交叉注意力对齐到语言模型的嵌入空间，使文本 token 与图像 token 在同一序列中参与自注意力计算（早期融合）。77% 相似待验证LLaVA-1.6的AnyRes策略会根据图像宽高比选择最优的切割方案，每个子图块独立通过视觉编码器，同时保留一个下采样的全局图像76% 相似待验证在多模态模型中，视觉编码器（如 ViT）将图像块或视频帧映射为连续向量，这些向量所处的维度空间称为潜空间。76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/517920API
curl https://kongchang.com/api/v1/knowledge/claims/517920MCP
get_claim(id=517920)