待验证50% 置信事实精确时间

CLIP通过在数亿对图文数据上进行对比学习，建立文本描述与视觉特征之间的语义映射关系，引导扩散模型的去噪过程

1

来源数

50%

置信度

长期有效

时效性

2026/8/31

首次发现

来源

粗野主义建筑×EC漫画风格：AI艺术风格融合实验

涉及实体

相关事实

待验证CLIP（对比语言-图像预训练）模型负责理解自然语言提示与视觉特征之间的对应关系78% 相似待验证CLIP模型将文本tokenize后映射为768或1024维的向量，通过交叉注意力机制引导扩散模型的去噪方向77% 相似待验证数十亿的图像-文本对训练数据使模型能学习更精细的视觉表征77% 相似待验证视觉模型如 CLIP、Stable Diffusion 需要数十亿张图像-文本对才能达到理想效果77% 相似待验证CLIP 等视觉语言大模型在海量互联网图文对上预训练，积累了大量地理视觉特征，进一步提升了地理定位精度74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/831149

API

curl https://kongchang.com/api/v1/knowledge/claims/831149

MCP

get_claim(id=831149)