待验证50% 置信事实精确时间

Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

LLMog：用大模型本地自动标注数据集，告别手工标注

涉及实体

Grounding DINOmodel Florence-2model

相关事实

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75% 相似待验证Grounding DINO结合DINO检测器与文本编码器实现开放集定位，GLIP将目标检测重新formulate为短语定位任务69% 相似待验证多模态大语言模型通过对比学习将视觉编码器（如CLIP、ViT）与语言模型对齐69% 相似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69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/900934

API

curl https://kongchang.com/api/v1/knowledge/claims/900934

MCP

get_claim(id=900934)