待验证60% 置信事实时间未知
CLIP模型将文本tokenize后映射为768或1024维的向量，通过交叉注意力机制引导扩散模型的去噪方向
2
来源数
60%
置信度
长期有效
时效性
2026/6/2
首次发现
来源
Mac本地批量AI生图实战：万张插画踩坑与最佳实践
bilibili爱折腾的波波
涉及实体
相关事实
待验证CLIP通过在数亿对图文数据上进行对比学习，建立文本描述与视觉特征之间的语义映射关系，引导扩散模型的去噪过程77% 相似待验证嵌入模型把文字、语音、图片等不同内容压缩成固定长度的数值向量，含义相近的内容其向量在高维空间中的距离更近69% 相似待验证扩散特征的提取方式是：在推理时对带噪图像执行若干去噪步骤，然后截取骨干网络中间层的激活值作为视觉表征供下游判别任务使用68% 相似待验证Prompt-to-Prompt的核心洞见是扩散模型中交叉注意力层的注意力图直接控制了图像的空间布局68% 相似已验证CLIP（对比语言-图像预训练）模型负责理解自然语言提示与视觉特征之间的对应关系66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/36847API
curl https://kongchang.com/api/v1/knowledge/claims/36847MCP
get_claim(id=36847)