待验证60% 置信事实精确时间
图生词（Image-to-Text）利用多模态大语言模型的视觉理解能力，将视觉特征映射到自然语言描述
2
来源数
60%
置信度
长期有效
时效性
2026/8/27
首次发现
来源
涉及实体
相关事实
已验证大模型驱动型解析器采用视觉-语言联合理解路径，将PDF页面渲染为图像后由视觉编码器提取版面特征，再结合语言模型推理输出结构化文本80% 相似待验证modlens插件通过视觉代理机制为纯文本模型加装视觉能力：先用视觉模型将图片转为文字描述再传给纯文本模型推理79% 相似待验证多模态视觉语言模型以图像为第一公民进行推理，将版式结构作为内生特征而非后处理噪声78% 相似待验证文本到图像生成模型是指能够根据自然语言描述自动生成对应图像的深度学习系统78% 相似待验证文生图是指用户输入自然语言描述（提示词），模型基于训练中学到的视觉分布重新生成像素图像的技术，同一提示词多次运行往往会得到不同结果。77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/809925API
curl https://kongchang.com/api/v1/knowledge/claims/809925MCP
get_claim(id=809925)