待验证50% 置信事实精确时间
如果发送方是视觉语言模型（VLM），SwaT能把视觉能力传递给纯文本接收方LLM，效果超过文本到文本通信，尽管SwaT本身只在纯文本数据上训练过。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证视觉语言模型(VLM)能够同时处理图像和文本信息,建立两者之间的语义关联75% 相似待验证文本编码器负责将提示词字符串转换为模型可读的向量表示（conditioning），是连接文字描述与图像生成的核心桥梁72% 相似待验证多模态模型的文本识别并非通过独立OCR子模块实现，而是作为视觉-语言对齐训练的产物内嵌在模型权重中，图片文字与普通文本共享同一套语义处理管线67% 相似待验证纯文本的Llama模型无法直接处理发票图片，需要具备多模态能力的模型或OCR加大语言模型的组合架构67% 相似待验证生产环境中必须把byte-exact内容（哈希值、ID、密钥）显式保留为文本，否则VLM可能无声地生成幻觉值66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029496API
curl https://kongchang.com/api/v1/knowledge/claims/1029496MCP
get_claim(id=1029496)