待验证50% 置信事实精确时间
多模态大语言模型（MLLMs）指能够同时处理文本、图像、音频、视频等多种模态输入并生成文本输出的大规模模型，代表性工作包括 GPT-4o、Gemini、Qwen-VL 等。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证MLLM通常采用视觉编码器+投影层+大语言模型的三段式架构，投影层负责将视觉特征映射到语言模型的嵌入空间78% 相似待验证多模态大语言模型（MLLM）将图像编码为 token 序列，每张图像对应独立的 token 序列，提示词中的 <image N> 标记使模型能将语义指令与特定图像 token 流对齐73% 相似待验证vLLM专为大语言模型设计，通过PagedAttention等技术提升LLM的吞吐量和显存利用率72% 相似待验证微调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71% 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70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1012777API
curl https://kongchang.com/api/v1/knowledge/claims/1012777MCP
get_claim(id=1012777)