待验证50% 置信事实精确时间
Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
已验证Grounding DINO将DINO视觉基础模型与BERT语言编码器融合，实现用任意自然语言描述检测图像中对应物体，无需预定义类别列表75% 相似待验证全局自注意力的建模复杂度为O(n²)，后续研究发展出RoPE、ALiBi等相对位置编码方案增强长文本处理能力71% 相似待验证Grounding DINO结合DINO检测器与文本编码器实现开放集定位，GLIP将目标检测重新formulate为短语定位任务69% 相似待验证多模态大语言模型通过对比学习将视觉编码器（如CLIP、ViT）与语言模型对齐69% 相似待验证开放词汇检测通过引入视觉-语言对齐机制，将类别空间从离散标签扩展到连续的语义空间，其关键技术基础是CLIP模型建立的视觉-文本联合嵌入空间69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/900934API
curl https://kongchang.com/api/v1/knowledge/claims/900934MCP
get_claim(id=900934)