待验证50% 置信事实精确时间
投影层通过可训练的多层感知机或线性映射，将视觉特征向量对齐到语言模型的token嵌入空间。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
待验证对所有线性层做LoRA意味着注意力层的Q/K/V/O投影和前馈层的上下投影都被注入适配器，覆盖面较广，表达能力强，但也更容易把训练数据里的风格特征整体学进去。79% 相似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78% 相似待验证多模态模型的视觉能力通常通过视觉编码器实现，常见方案包括ViT或SigLIP等预训练视觉模型76% 相似待验证神经隐式表面方法（如 NeuS、VolSDF）用多层感知机将空间坐标映射为符号距离或占据概率，通过体渲染优化，能表达连续精细表面，但训练需密集视角且单次优化通常只覆盖一个场景。74% 相似待验证纯视觉方案依赖二维图像推断三维信息，高度依赖算法能力和训练数据74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1047313API
curl https://kongchang.com/api/v1/knowledge/claims/1047313MCP
get_claim(id=1047313)