待验证50% 置信事实精确时间
图生词（Image-to-Text）利用多模态大语言模型的视觉理解能力，将视觉特征映射到自然语言描述
1
来源数
50%
置信度
长期有效
时效性
2026/8/27
首次发现
来源
涉及实体
相关事实
待验证大模型驱动型解析器采用视觉-语言联合理解路径，将PDF页面渲染为图像后由视觉编码器提取版面特征，再结合语言模型推理输出结构化文本80% 相似待验证Large language models can understand multimodal inputs including text, images, video, and audio.79% 相似待验证文本到图像生成模型是指能够根据自然语言描述自动生成对应图像的深度学习系统78% 相似待验证Large language models generate more natural and detailed image descriptions compared to traditional tools like CLIP Interrogator77% 相似待验证多模态大模型的技术基础是视觉编码器（如ViT）与语言模型的联合训练，使模型能将像素空间视觉信息映射到与文本共享的语义空间75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/809925API
curl https://kongchang.com/api/v1/knowledge/claims/809925MCP
get_claim(id=809925)