待验证50% 置信事实精确时间
视觉大模型发展的原生统一架构从预训练阶段就将视觉Token与文本Token置于同一序列空间联合建模，代表性工作包括Google的Gemini系列与Meta的Chameleon
1
来源数
50%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
待验证Gemini的图像生成能力基于原生多模态架构，模型在训练阶段同时学习了文本和图像的表征72% 相似待验证Google DeepMind在Gemini技术报告中明确指出Gemini系列从设计之初就是多模态原生的，而非在语言模型基础上后期添加视觉能力70% 相似已验证Gemini系列从训练阶段就将多种模态联合建模，而非像GPT-4V等方案那样后接视觉编码器69% 相似已验证Google在Gemini技术报告中披露，其模型在预训练阶段就同时接触了多模态数据，而非先训练语言模型再进行多模态微调69% 相似待验证Google Gemini 1.5 Pro及后续版本采用原生多模态架构，能直接处理视频帧序列，具有百万级token上下文窗口68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/510790API
curl https://kongchang.com/api/v1/knowledge/claims/510790MCP
get_claim(id=510790)