待验证50% 置信事实精确时间
豆包2.0 Mini支持视觉理解（Vision Understanding）功能，底层采用Vision Transformer（ViT）架构将图片编码为token序列
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/2
首次发现
有效期至：2026/9/30
来源
Coze工作流实战：AI一键生成产品宣传视频完整教程
bilibili大航Ai智能体2026/6/6
相关事实
待验证DINOv2使用Vision Transformer（ViT）架构，将输入图像划分为固定大小的补丁，每个补丁经Transformer编码后产生高维嵌入向量73% 相似待验证MiniMind-V的整体架构设计参考了LLaVA（Large Language and Vision Assistant）的经典范式73% 相似待验证Qwen VL的视觉编码器基于ViT（Vision Transformer）架构，将图像像素信息压缩编码为语言模型可理解的token序列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% 相似已验证多模态大模型通过视觉编码器（通常基于Vision Transformer架构）将输入图像分割为若干patch并编码为向量序列，与文本token在同一Transformer架构中进行联合注意力计算71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/52074API
curl https://kongchang.com/api/v1/knowledge/claims/52074MCP
get_claim(id=52074)