待验证50% 置信事实精确时间
Grounding DINO通过跨模态融合模块将语言特征与视觉特征深度对齐，可根据任意文本描述定位图像中对应目标
1
来源数
50%
置信度
长期有效
时效性
2026/8/31
首次发现
来源
涉及实体
相关事实
待验证CLIP等技术建立的文本-图像语义对齐使模型能将抽象风格描述映射到具体视觉特征空间76% 相似待验证文心一言的元素级拆解会将画面分解为独立的语义单元，例如背景、主体、装饰元素等，类似设计软件中的图层概念74% 相似待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension71% 相似待验证画布标注方案相比纯文本prompt具有更高的信息密度和更低的歧义性，视觉标注能精确传达空间位置信息70% 相似已验证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70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/827617API
curl https://kongchang.com/api/v1/knowledge/claims/827617MCP
get_claim(id=827617)