已验证75% 置信事实时间未知
ViT（Vision Transformer）将图像切分为固定大小的16×16 patch序列后输入标准Transformer
5
来源数
75%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Hugging Face Transformers：16万Star开源AI模型框架深度解析
githubhuggingface
涉及实体
相关事实
已验证2020年ViT（Vision Transformer）将图像切分为固定大小的Patch序列送入Transformer处理，打破了CNN的归纳偏置限制80% 相似待验证GPT-4V将图像分割为若干Patch（通常16×16像素），经Vision Transformer编码后每张图片产生数百至数千个视觉Token70% 相似待验证基于 Vision Transformer 架构的 ViTPose 在标准基准数据集 COCO 上达到了更高精度65% 相似待验证现代多模态模型的视觉理解通常基于ViT架构，图像被切分为固定尺寸Patch（通常16×16或32×32像素）并线性投影为向量嵌入60% 相似待验证ViT-S模型在CPU上以fp32精度处理一张512×512图像约需1.4秒59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/32748API
curl https://kongchang.com/api/v1/knowledge/claims/32748MCP
get_claim(id=32748)