已验证65% 置信事实精确时间
Grounding DINO将DINO视觉基础模型与BERT语言编码器融合，实现用任意自然语言描述检测图像中对应物体，无需预定义类别列表
3
来源数
65%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
相关事实
待验证Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度75% 相似待验证基于CLIP、Grounding DINO等视觉-语言基础模型的开放词汇检测系统使机器人能用自然语言检索场景中的任意物体，ConceptFusion和LERF将CLIP特征融入三维地图72% 相似待验证Grounding DINO结合DINO检测器与文本编码器实现开放集定位，GLIP将目标检测重新formulate为短语定位任务71% 相似待验证基于CLIP等多模态模型的语义搜索允许用户输入自然语言描述，系统直接匹配视觉内容，无需依赖人工文字标签65% 相似待验证Mermaid使用类Markdown语法可直接在GitHub README、Notion、Obsidian等平台渲染，PlantUML语法更复杂但支持更丰富的UML图类型65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/501929API
curl https://kongchang.com/api/v1/knowledge/claims/501929MCP
get_claim(id=501929)