待验证50% 置信事实精确时间

传统 VLM 将视觉作为输入、语言作为输出，视觉信息只在输入阶段被使用一次，推理过程完全发生在语言空间中。

1

来源数

50%

置信度

长期有效

时效性

2026/10/27

首次发现

来源

Ψ-0.6：统一视觉语言世界模型的自适应思维流

涉及实体

相关事实

已验证视觉语言模型(VLM)能够同时处理图像和文本信息,建立两者之间的语义关联80% 相似待验证对于VLM，视觉编码阶段在prefill阶段集中消耗大量计算，语言解码阶段则受限于内存带宽73% 相似已验证VLM由视觉编码器、语言模型骨干和跨模态对齐模块三部分构成71% 相似待验证微调VLM能够复用大模型已有的视觉理解与语言生成能力，在相对有限的标注数据下实现对特定文献类型的适配69% 相似待验证如果发送方是视觉语言模型（VLM），SwaT能把视觉能力传递给纯文本接收方LLM，效果超过文本到文本通信，尽管SwaT本身只在纯文本数据上训练过。68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1104619

API

curl https://kongchang.com/api/v1/knowledge/claims/1104619

MCP

get_claim(id=1104619)