待验证95% 置信事实时间未知
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
1
来源数
95%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
上交大PhyAR：破解Video-LLM物理推理中的语义先验劫持难题
bilibili多模态实验室
涉及实体
相关事实
待验证LLaVA通过轻量级投影层将CLIP视觉编码器提取的图像特征映射到语言模型的嵌入空间，采用视觉编码器+投影层+语言模型的三段式结构77% 相似待验证视频生成的底层通常涉及文本理解、分镜规划（LLM调用）、逐帧图像生成（扩散模型）、帧序列合成（视频编码）等多个模型的链式调用76% 相似待验证NVIDIA视频AI技术架构整合了四个关键技术组件：视觉编码器、时序推理模块、LLM推理层和知识检索系统72% 相似待验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐72% 相似待验证LLaVA、InstructBLIP、Qwen-VL等主流多模态架构采用冻结或微调视觉编码器+线性投影+文本LLM的三段式结构71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/18046API
curl https://kongchang.com/api/v1/knowledge/claims/18046MCP
get_claim(id=18046)