待验证50% 置信事实精确时间
视觉塔（vision tower）是多模态模型中负责把图像编码成视觉 token 的子网络，通常由 ViT 类结构堆叠而成，输出经投影层对齐到语言模型的嵌入空间。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
涉及实体
相关事实
待验证视觉token是多模态大模型处理图像的基本单位，一张448×448图片在patch大小为14时会产生1024个视觉token。67% 相似待验证多模态视觉模型（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。64% 相似待验证Video-LLM的核心架构通常由视觉编码器、投影层和大语言模型主干三部分组成64% 相似待验证视觉 Token 和文本 Token 在传入 LLM 之前通常会经过一个投影层（Projector）做维度对齐64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1101760API
curl https://kongchang.com/api/v1/knowledge/claims/1101760MCP
get_claim(id=1101760)