待验证50% 置信事实精确时间

早期目标检测模型如YOLO、Faster R-CNN只能识别预定义类别（如COCO数据集中的80个类别），而视觉grounding需要理解任意自然语言指令

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

YOLOtechnology Faster R-CNNtechnology 视觉groundingconcept

相关事实

待验证稀疏自编码器可自动发现模型表征的数万乃至上百万个语义特征，无需人工指定目标概念70% 相似待验证基于CNN的音频识别模型可直接在频谱图上学习抽象特征，对翻唱、改编版本的识别能力优于哈希指纹方案67% 相似待验证语义层面检测隐性重复时可选用轻量级嵌入模型如OpenAI的text-embedding-3-small或智源的BGE-small-zh65% 相似待验证小模型适用于文本分类、意图识别、NER命名实体识别等高频任务64% 相似待验证稀疏自编码器（SAE）无需人工指定目标概念，能自动发现模型表征的数万乃至上百万个语义特征64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/812473

API

curl https://kongchang.com/api/v1/knowledge/claims/812473

MCP

get_claim(id=812473)