待验证88% 置信事实精确时间
Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理
1
来源数
88%
置信度
长期有效
时效性
2026/8/2
首次发现
来源
涉及实体
相关事实
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79% 相似待验证新一代多模态模型通过统一的Transformer骨干网络将文字、图像、视频转化为同一向量表示空间进行推理，实现原生多模态理解74% 相似已验证GPT-Image-2很可能采用了原生多模态架构，文本理解和图像生成共享同一个Transformer骨干网络73% 相似待验证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72% 相似待验证文生视频模型通常基于扩散变换器（Diffusion Transformer）架构，将运动先验与外观风格解耦处理72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/679863API
curl https://kongchang.com/api/v1/knowledge/claims/679863MCP
get_claim(id=679863)