待验证50% 置信事实精确时间
多模态训练方面，Gemma 3n、Gemma 4 这类音频视觉模型可以在同一数据集中同时使用音频和图像进行微调。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至：2027/2/1
来源
涉及实体
相关事实
待验证多模态实现路径分为早融合（预训练阶段混合多模态数据）和晚融合（先用独立视觉编码器ViT提取图像特征，再通过投影层对齐到语言模型embedding空间）66% 相似待验证原生音频生成指模型在生成视觉内容的同时直接输出与画面状态同步的音频信号。66% 相似待验证RADIO 是 NVIDIA 提出的视觉基础模型，通过蒸馏 CLIP、DINOv2、SAM 等多个视觉-语言预训练模型的知识，生成兼顾语义对齐与细粒度特征的视觉表征65% 相似待验证Minimax系列模型支持音视频同步生成，模型在同一个扩散过程中需要同时处理视觉帧和音频波形64% 相似待验证WOVEN 是按场景、动作、推理类型三个维度标注视觉转移监督的数据源与基准测试，数据来自视频预训练生成模型的 rollout。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1131482API
curl https://kongchang.com/api/v1/knowledge/claims/1131482MCP
get_claim(id=1131482)