待验证50% 置信事实精确时间
基于CLIP、Grounding DINO等视觉-语言基础模型的开放词汇检测系统使机器人能用自然语言检索场景中的任意物体，ConceptFusion和LERF将CLIP特征融入三维地图
1
来源数
50%
置信度
长期有效
时效性
2026/9/8
首次发现
来源
涉及实体
相关事实
待验证开放词汇检测通过引入视觉-语言对齐机制，将类别空间从离散标签扩展到连续的语义空间，其关键技术基础是CLIP模型建立的视觉-文本联合嵌入空间72% 相似已验证Grounding DINO将DINO视觉基础模型与BERT语言编码器融合，实现用任意自然语言描述检测图像中对应物体，无需预定义类别列表72% 相似已验证传统多模态模型采用模块化拼接方式，使用CLIP或ViT等视觉编码器将图像转换为特征向量后再输入语言模型，模块间存在信息瓶颈71% 相似待验证传统拼接式多模态方案通常将预训练的视觉编码器（如 CLIP）通过适配层与语言模型对接，模态间理解相对割裂70% 相似待验证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，用于引导文生图模型的去噪过程67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/875621API
curl https://kongchang.com/api/v1/knowledge/claims/875621MCP
get_claim(id=875621)