待验证50% 置信基准精确时间

跨越视觉模型与语音模型的实验得出一致结论：当图像或录音被放置在与之冲突的文本之后时，模型答案会明显偏向图像/语音内容

1

来源数

50%

置信度

长期有效

时效性

2026/9/24

首次发现

来源

证据顺序竟能改变判断：多模态大模型的"证据不可交换性"

涉及实体

arXiv:2609.26986v1concept 多模态大语言模型concept

相关事实

待验证对语音智能体而言，多模态大模型不仅输入需支持语音、图片、文字、视频，输出也必须支持语音73% 相似待验证参考图的构图会覆盖提示词文本，「话筒前演唱」的半身参考照比宽景录音棚镜头带来更好的口型一致性70% 相似已验证端到端语音模型直接以音频为输入和输出，在音频token层面进行理解与生成，保留语调、语速、叹气、笑声等声学特征70% 相似待验证OpenAI声称委派机制弥合了语音与文本模型之间典型的智能鸿沟70% 相似待验证新一代语音 AI 模型将音频直接作为模态输入，跳过文字转写环节，实现更自然的情感感知和语调变换68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/946097

API

curl https://kongchang.com/api/v1/knowledge/claims/946097

MCP

get_claim(id=946097)