待验证50% 置信事实精确时间
多模态视觉模型（如 gemma4、qwen3-vl）存在视觉编码器，图像被切成 patch 编码成视觉 token 后与文本 token 一起送入语言模型，其 token 消耗远高于纯文本推理且与图像分辨率正相关。
1
来源数
50%
置信度
长期有效
时效性
2026/10/17
首次发现
来源
涉及实体
相关事实
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77% 相似待验证SmolVLM 模型同时接收图像和文本输入，先由视觉编码器把图片切分成若干视觉 token，再与文本 token 一起送入语言模型解码出回答。77% 相似已验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐72% 相似待验证SD3、FLUX及Qwen-Image-3.0等主流大型图像生成模型普遍转向LLM文本编码器与DiT图像骨干融合的架构72% 相似待验证Qwen VL的视觉编码器基于ViT（Vision Transformer）架构，将图像像素信息压缩编码为语言模型可理解的token序列71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1055105API
curl https://kongchang.com/api/v1/knowledge/claims/1055105MCP
get_claim(id=1055105)