待验证50% 置信事实精确时间
一段16帧、分辨率256×256、patch大小16×16的视频送入Transformer会产生4096个token
1
来源数
50%
置信度
长期有效
时效性
2026/8/29
首次发现
来源
涉及实体
相关事实
待验证512×512图像切分为32×32网格，共1024个token；1024分辨率则增至4096个token74% 相似待验证一段512×512分辨率、24帧的视频原始数据量约18MB，经VAE压缩至64×64×4潜变量空间后数据量降低至约原来的1/9671% 相似待验证在某些配置下 16GB 显存的显卡也能以较低分辨率完成万象模型的视频生成70% 相似待验证Llama-3.1-8B 等模型基于 Transformer 解码器堆叠构建，通常包含32个decoder层，单层参数量约2.5亿，FP16精度下单层约占500MB显存70% 相似待验证标准720p视频为1280×720（约92万像素），1080p为1920×1080（约207万像素）69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/816339API
curl https://kongchang.com/api/v1/knowledge/claims/816339MCP
get_claim(id=816339)