待验证50% 置信事实精确时间
CLIP采用双塔架构,包含一个预训练的视觉编码器(如ViT)和一个预训练的文本编码器
1
来源数
50%
置信度
长期有效
时效性
2026/9/7
首次发现
来源
涉及实体
相关事实
待验证CLIP包含两个并行编码器：文本编码器采用基于Transformer的架构（类似GPT-2的12层Transformer），视觉编码器有基于ResNet和基于ViT两种变体76% 相似待验证CLIP has been widely adopted as the standard visual encoder by mainstream multimodal models including LLaVA and InstructBLIP70% 相似待验证图像生成模型通常采用CLIP或类似跨模态编码器将文本映射为高维向量，再由U-Net或DiT架构在潜空间逐步去噪生成图像70% 相似待验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐69% 相似已验证CLIP由OpenAI于2021年发布，通过对比学习同时训练图像编码器和文本编码器，实现零样本图像分类69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/870200API
curl https://kongchang.com/api/v1/knowledge/claims/870200MCP
get_claim(id=870200)