待验证50% 置信事实精确时间
大多数视觉语言模型将CT当作一叠平面图像处理，只能采样少数切片或将体数据压缩成少量token，导致关键空间细节在推理前丢失
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
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74% 相似待验证细长线状物体在画面中占据的像素极少，模型容易在逐帧生成时遗忘或重绘它们，导致线条忽隐忽现、扭曲或增减73% 相似待验证对于需要精确视觉推理的场景（文档理解、图表问答、机器人视觉、医学影像），单靠CLIP视觉编码器不够，建议在视觉编码器层面做增强而非仅依赖更大的语言模型73% 相似已验证CLIP能够通过组合性泛化将不同视觉特征在向量空间中语义合成，即便训练数据中从未出现精确描述72% 相似待验证大模型会对图像内容进行推断性补全，在OCR任务中可能导致幻觉式识别，把实际不存在的字符理解进去，与需要高保真度的文档录入场景形成矛盾71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/989942API
curl https://kongchang.com/api/v1/knowledge/claims/989942MCP
get_claim(id=989942)