已验证75% 置信事实精确时间

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

3

来源数

75%

置信度

长期有效

时效性

2026/9/7

首次发现

来源

Gemini 3 Flash实测CAPTCHA视觉谜题：多模态Agent能力边界在哪

涉及实体

相关事实

待验证微调VLM能够复用大模型已有的视觉理解与语言生成能力，在相对有限的标注数据下实现对特定文献类型的适配80% 相似已验证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80% 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76% 相似待验证如果发送方是视觉语言模型（VLM），SwaT能把视觉能力传递给纯文本接收方LLM，效果超过文本到文本通信，尽管SwaT本身只在纯文本数据上训练过。75% 相似待验证通义千问 VL 是阿里巴巴开发的多模态大语言模型系列，能同时理解图像和文本输入74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/874206

API

curl https://kongchang.com/api/v1/knowledge/claims/874206

MCP

get_claim(id=874206)