待验证50% 置信事实精确时间
主流扩散模型通常结合U-Net骨干网络与CLIP文本编码器
1
来源数
50%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
待验证主流文生图模型如Stable Diffusion、Midjourney、DALL-E的底层架构通常是扩散模型与CLIP文本编码器的结合78% 相似已验证传统多模态模型采用模块化拼接方式，使用CLIP或ViT等视觉编码器将图像转换为特征向量后再输入语言模型，模块间存在信息瓶颈66% 相似待验证U-Net采用对称的编码器-解码器结构，两侧对应层之间通过跳跃连接传递细节信息，最初来自2015年的医学图像分割领域65% 相似已验证Stable Diffusion的文本引导通过CLIP文本编码器将提示词转化为向量64% 相似待验证编译后的图遵循LCEL（LangChain Expression Language）规范，统称Runnable，统一暴露invoke、stream、batch接口64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/579730API
curl https://kongchang.com/api/v1/knowledge/claims/579730MCP
get_claim(id=579730)