已验证65% 置信事实精确时间

VLM由视觉编码器、语言模型骨干和跨模态对齐模块三部分构成

3

来源数

65%

置信度

长期有效

时效性

2026/9/7

首次发现

来源

GLM-OCR：0.9B参数轻量模型如何撼动文档识别格局

涉及实体

相关事实

待验证视觉语言模型(VLM)能够同时处理图像和文本信息,建立两者之间的语义关联80% 相似待验证MLLM通常采用视觉编码器+投影层+大语言模型的三段式架构，投影层负责将视觉特征映射到语言模型的嵌入空间76% 相似已验证多模态LLM的核心架构通常由视觉编码器（如CLIP或ViT）、跨模态对齐层和语言解码器三部分组成75% 相似已验证多模态大模型的技术基础是视觉编码器（如ViT）与语言模型的联合训练，使模型能将像素空间视觉信息映射到与文本共享的语义空间71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/869536

API

curl https://kongchang.com/api/v1/knowledge/claims/869536

MCP

get_claim(id=869536)