待验证50% 置信事实精确时间

视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension

1

来源数

50%

置信度

长期有效

时效性

2026/8/28

首次发现

来源

Qwen VLM挑战《威利在哪里》：暴露视觉模型细粒度定位软肋

涉及实体

视觉groundingconcept Referring Expression Comprehensionconcept

相关事实

待验证视觉基元用坐标替代语言描述，将空间中间状态的表示精度从词粒度提升到像素粒度76% 相似待验证视觉幻觉指模型在描述图像时生成与实际视觉内容不符的信息，源于语言模型倾向于用语言先验知识填补视觉信号不明确的空白75% 相似待验证语言模型将风格描述解析为潜在视觉特征向量，图像生成模块在约束条件下进行去噪采样逐步生成图像74% 相似待验证对图像识别来说关键在于特征而非绝对位置，而在语言中顺序决定意义72% 相似待验证文字指令先于图像输入时，Transformer的交叉注意力机制使模型在编码图像时已形成明确的查询向量，优先激活与目标语义相关的视觉区域71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/810992

API

curl https://kongchang.com/api/v1/knowledge/claims/810992

MCP

get_claim(id=810992)