待验证50% 置信事实精确时间
最新一代的编辑模型采用DiT（Diffusion Transformer）架构，将图像token和文本token统一处理，从而实现更精细的跨模态对齐
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/5
首次发现
有效期至：2026/12/4
来源
涉及实体
相关事实
已验证多模态大模型通过视觉编码器（通常基于Vision Transformer架构）将输入图像分割为若干patch并编码为向量序列，与文本token在同一Transformer架构中进行联合注意力计算73% 相似待验证Meta的Muse Image采用基于Transformer的掩码生成架构,在图像生成速度上具有明显优势72% 相似待验证DALL·E 1基于离散VAE和Transformer架构实现文本到图像生成72% 相似待验证该平台支持对话式全局修改和框选式局部修改两种图片编辑方式70% 相似待验证Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/857893API
curl https://kongchang.com/api/v1/knowledge/claims/857893MCP
get_claim(id=857893)