待验证50% 置信事实精确时间
Vision Transformer（ViT）由Google Brain团队于2020年在论文《An Image is Worth 16x16 Words》中提出
1
来源数
50%
置信度
长期有效
时效性
2026/7/16
首次发现
来源
相关事实
已验证2020年ViT（Vision Transformer）将图像切分为固定大小的Patch序列送入Transformer处理，打破了CNN的归纳偏置限制61% 相似待验证基于 Vision Transformer 架构的 ViTPose 在标准基准数据集 COCO 上达到了更高精度60% 相似待验证GPT-4V将图像分割为若干Patch（通常16×16像素），经Vision Transformer编码后每张图片产生数百至数千个视觉Token59% 相似已验证ViT（Vision Transformer）将图像切分为固定大小的16×16 patch序列后输入标准Transformer58% 相似待验证照片定制拼图不要选低分辨率原图（建议原图≥300dpi、短边≥2000像素），否则放大到拼图尺寸后人脸模糊，定制效果差且无法退换57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/527933API
curl https://kongchang.com/api/v1/knowledge/claims/527933MCP
get_claim(id=527933)