待验证50% 置信事实精确时间

CLIP 等视觉语言大模型在海量互联网图文对上预训练，积累了大量地理视觉特征，进一步提升了地理定位精度

1

来源数

50%

置信度

长期有效

时效性

2026/7/20

首次发现

来源

ATLAS：能猜出任意地点的GeoGuessr AI，81%准确率实测

相关事实

待验证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77% 相似待验证CLIP能够通过组合性泛化将不同视觉特征在向量空间中语义合成，即便训练数据中从未出现精确描述75% 相似待验证大规模预训练的视觉基础模型借助在数十亿张图片上习得的通用特征表示，从根本上缓解了机器人视觉泛化困境68% 相似待验证CLIP的全局语义匹配训练目标使其天然倾向于捕捉图像的'是什么'而非'在哪里'或'有几个'，在精确计数、空间关系、细粒度属性识别上存在短板68% 相似待验证数十亿的图像-文本对训练数据使模型能学习更精细的视觉表征67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/572513

API

curl https://kongchang.com/api/v1/knowledge/claims/572513

MCP

get_claim(id=572513)