待验证50% 置信事实精确时间
视觉-语言对齐的目标是将图像和文本映射到共享的语义空间，使模型理解两种模态之间的对应关系。
1
来源数
50%
置信度
长期有效
时效性
2026/10/21
首次发现
来源
涉及实体
相关事实
待验证视觉语言模型回答图像问题时需要完成两件不同的事：从图像中提取相关信息（视觉推理VR）和基于提取信息推导答案（语言推理LR）80% 相似待验证将两个视觉视图整合到同一个语言模型中，需要通过视觉token和多层级特征融合注入共享的语言模型骨干，以避免早期简单拼接丢失各自特性。79% 相似待验证当前主流的多模态理解技术路径是将视觉编码器输出的图像特征，通过投影层或交叉注意力对齐到语言模型的嵌入空间，使文本 token 与图像 token 在同一序列中参与自注意力计算（早期融合）。78% 相似待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension77% 相似待验证视觉模型的图像编码和传参方式与纯文本模型存在差异77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1079496API
curl https://kongchang.com/api/v1/knowledge/claims/1079496MCP
get_claim(id=1079496)