待验证50% 置信事实精确时间
Spatial-TRM 的架构包含三个关键组件：冻结的视觉语言特征提取器、凸区域解码器，以及一个权重共享的递归推理模块。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
Spatial-TRM：递归推理如何提升空间上下文预测精度44%
rss2026/10/16
涉及实体
相关事实
已验证多模态LLM的核心架构通常由视觉编码器（如CLIP或ViT）、跨模态对齐层和语言解码器三部分组成72% 相似待验证Trae内置了对多种大语言模型的支持，包括字节自研的豆包大模型，以及通过Provider机制接入的第三方模型64% 相似待验证基于CLIP、Grounding DINO等视觉-语言基础模型的开放词汇检测系统使机器人能用自然语言检索场景中的任意物体，ConceptFusion和LERF将CLIP特征融入三维地图63% 相似待验证当前主流多模态架构可概括为'视觉编码器+语言模型'的拼接范式，隐含假设是语言才是通用推理的载体。61% 相似待验证理想的标记语言应在可读性、可写性、机器可消费性三个维度取得平衡61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068936API
curl https://kongchang.com/api/v1/knowledge/claims/1068936MCP
get_claim(id=1068936)