待验证50% 置信事实精确时间
VideoLVR 将视觉 token 的重建形式化为在由输入视频派生出的词表上做预测，从而将视觉证据重建与文本生成统一进同一个 token 预测框架。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
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。69% 相似待验证定向回放机制使智能体在推理阶段可重新访问原始视频帧，从像素层面恢复观察阶段未被写入文本描述的视觉细节。69% 相似待验证图像条件化方案通常借助CLIP视觉编码器（ViT架构）将参考图映射到与文本嵌入共享的语义空间，再通过交叉注意力（Cross-Attention）机制将视觉特征注入UNet的去噪过程69% 相似已验证REF2VA基于参考图像驱动生成，通过提取参考帧的视觉特征来引导视频合成，更接近于image-conditioned generation范式68% 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。68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105818API
curl https://kongchang.com/api/v1/knowledge/claims/1105818MCP
get_claim(id=1105818)