待验证50% 置信事实精确时间

大多数视觉语言模型在处理图像时会将其压缩到固定分辨率（如448×448或更高）

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

Qwen VLM挑战《威利在哪里》：视觉语言模型精细定位短板分析

涉及实体

相关事实

待验证Transformer的上下文窗口有限，且视觉信息经过编码器压缩后不可避免地丢失大量底层像素细节，一张1024×1024的图像可能被压缩为256或576个视觉token76% 相似已验证多模态大模型将图像切分为固定patch经视觉编码器（基于ViT架构）转换为高维向量后对齐到语言模型token embedding空间，是推断而非读取73% 相似待验证Qwen2-VL引入的"Naive Dynamic Resolution"机制可以将不同尺寸的图像映射为不同数量的视觉token，而非强制缩放到固定分辨率70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/909702

API

curl https://kongchang.com/api/v1/knowledge/claims/909702

MCP

get_claim(id=909702)