待验证50% 置信事实精确时间
图像输入会额外引入视觉 token，从而增加上下文预算占用和费用。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
TypeSafe AI发布Jev 1.14：图像输入、Box类型与262k上下文
rss2026/10/15
涉及实体
相关事实
待验证基于像素的界面操作方案计算成本高，且易受分辨率、主题、动态布局的干扰67% 相似待验证在多模态大模型中图片输入会被转换为token计费，一张标准网页截图可能消耗数百到数千个token65% 相似待验证图像被分割为固定大小的Patch，经视觉编码器转换为视觉Token，再通过投影层映射到与文本Token相同的嵌入空间，与文本Token一起送入语言模型联合推理65% 相似待验证单张截图容易被图像编辑软件在几分钟内修改UI文字、图标或功能标识，而完整操作视频的造假成本呈指数级上升64% 相似待验证mmVB的核心思想是按需分配视觉token预算：根据查询和跨图像上下文，动态给每张图分配不同的token预算，而非对每张图用统一压缩率。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1034539API
curl https://kongchang.com/api/v1/knowledge/claims/1034539MCP
get_claim(id=1034539)