待验证50% 置信事实精确时间
视觉 Token 和文本 Token 在传入 LLM 之前通常会经过一个投影层（Projector）做维度对齐
1
来源数
50%
置信度
长期有效
时效性
2026/9/12
首次发现
来源
涉及实体
相关事实
待验证图像被分割为固定大小的Patch，经视觉编码器转换为视觉Token，再通过投影层映射到与文本Token相同的嵌入空间，与文本Token一起送入语言模型联合推理70% 相似待验证LLM Visualizer可将输入文本在模型内部的完整流动过程转化为可观察操作的可视化组件67% 相似已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63% 相似待验证图像条件化方案通常借助CLIP视觉编码器（ViT架构）将参考图映射到与文本嵌入共享的语义空间，再通过交叉注意力（Cross-Attention）机制将视觉特征注入UNet的去噪过程63% 相似待验证Video-LLM的核心架构通常由视觉编码器、投影层和大语言模型主干三部分组成63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/913145API
curl https://kongchang.com/api/v1/knowledge/claims/913145MCP
get_claim(id=913145)