待验证50% 置信事实精确时间
Google DeepMind的Gato模型将图像patch、文本token和离散化动作统一为同一序列
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Imagen是Google DeepMind开发的文本到图像生成模型系列，基于扩散模型架构77% 相似待验证IPAdapter通过轻量级适配网络将参考图视觉特征编码为图像提示嵌入，与文本提示嵌入并行注入扩散模型的交叉注意力层，能捕捉难以用语言描述的视觉信息68% 相似待验证当前主流多模态LLM通过视觉编码器（通常是CLIP或ViT系列）将图像转换为token序列，再经线性投影层或交叉注意力机制与文本空间对齐67% 相似待验证Google DeepMind的Genie 1基于从互联网视频中无监督学习的潜在动作空间(Latent Action Model)，无需动作标注即可从视频帧序列自动发现虚拟控制器67% 相似待验证Meta的ImageBind和Google的PaLM-E模型证明，将视觉、语言、惯性数据联合编码可提升机器人对复杂场景的理解能力66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/880297API
curl https://kongchang.com/api/v1/knowledge/claims/880297MCP
get_claim(id=880297)