待验证50% 置信观点精确时间

VLM的细粒度理解缺陷被认为与CLIP式对比学习的训练目标有关，图文匹配的粗粒度目标无法促使模型学习组合性语义

1

来源数

50%

置信度

长期有效

时效性

2026/9/1

首次发现

来源

ML/LLM/CV领域研究空白怎么找？系统方法论与方向指南

涉及实体

CLIPmodel 视觉-语言模型concept

相关事实

待验证过拟合是LoRA训练中最常见的失败模式，模型会死记硬背训练图像像素特征而非学习本质特征70% 相似待验证微调VLA模型时通常采用分层学习率策略：视觉编码器使用极小学习率或冻结，语言模型层使用中等学习率，动作专家使用较大学习率68% 相似待验证VLM能够根据自然语言描述识别训练数据中从未出现的目标类别，这种能力被称为零样本（zero-shot）或开放词汇（open-vocabulary）识别67% 相似待验证模型训练侧有 PyTorch、TensorFlow 及 MLflow、Weights & Biases、DVC 等工具支持，但推理侧的标准化程度明显不足67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/838969

API

curl https://kongchang.com/api/v1/knowledge/claims/838969

MCP

get_claim(id=838969)