待验证50% 置信事实精确时间
在多模态模型中，视觉编码器（如 ViT）将图像块或视频帧映射为连续向量，这些向量所处的维度空间称为潜空间。
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
已验证多模态大模型将图像切分为固定patch经视觉编码器（基于ViT架构）转换为高维向量后对齐到语言模型token embedding空间，是推断而非读取76% 相似已验证ViT的核心思想是将图像切分为固定大小的图块（Patch），将每个图块展平后视为序列中的一个Token，再通过多头自注意力机制建模全局依赖关系73% 相似待验证空间比例理解依赖视觉Transformer（ViT）对图像空间结构的解析能力和扩散模型的条件控制能力72% 相似待验证视觉编码器通常由卷积神经网络（CNN）或视觉Transformer（ViT）构成，将图像切成若干块或区域并逐块提取高维特征向量。69% 相似待验证场景嵌入是一个低维或中等维度的向量，由隐藏状态经过池化、线性投影或小型注意力模块等映射得到。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105823API
curl https://kongchang.com/api/v1/knowledge/claims/1105823MCP
get_claim(id=1105823)