待验证50% 置信事实精确时间
多模态大语言模型（MLLM）指能够同时处理文本、图像、视频等多种模态输入的大规模模型，如 GPT-4V、Qwen-VL 等。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
已验证VLM（视觉语言模型）通常由视觉编码器（如ViT）、语言模型和连接两者的投影层组成，代表性模型包括GPT-4V/4o、Claude 3.5、LLaVA系列和InternVL76% 相似待验证多模态大语言模型能同时处理文本、图像乃至音频输入，代表例子包括GPT-4o、Gemini 1.5、LLaVA、Qwen-VL75% 相似待验证CLIP、ALIGN、Flamingo、GPT-4V 是视觉语言模型（VLM）的代表70% 相似待验证LLaMA是Meta开源的大语言模型系列，以较小的参数量实现了接近GPT-3.5的性能67% 相似待验证LLaMA是Meta开源的大语言模型系列，以较小的参数量实现了接近GPT-3.5的性能67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1013389API
curl https://kongchang.com/api/v1/knowledge/claims/1013389MCP
get_claim(id=1013389)