待验证60% 置信事实精确时间
CLIP包含两个并行编码器：文本编码器采用基于Transformer的架构（类似GPT-2的12层Transformer），视觉编码器有基于ResNet和基于ViT两种变体
2
来源数
60%
置信度
长期有效
时效性
2026/8/5
首次发现
来源
相关事实
待验证CLIP采用双塔架构,包含一个预训练的视觉编码器(如ViT)和一个预训练的文本编码器76% 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70% 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67% 相似待验证主流VLM通常采用预训练的Vision Transformer(ViT)作为视觉编码器,如CLIP ViT、SigLIP等67% 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67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/691015API
curl https://kongchang.com/api/v1/knowledge/claims/691015MCP
get_claim(id=691015)