待验证50% 置信事实精确时间
当前MLLMs的架构通常将语言编码器与视觉编码器分别训练后再融合，导致模型在深度交叉推理时力不从心
1
来源数
50%
置信度
长期有效
时效性
2026/9/30
首次发现
来源
涉及实体
相关事实
待验证时序多模态大语言模型（TS-MLLMs）借助大语言模型的推理能力处理问答任务，但很难真正捕捉动态的时间模式，提供的往往是隐式推理，缺乏对结论背后逻辑的显式解释73% 相似待验证许多MLLM在指令微调阶段任务描述往往紧跟在证据之后，模型可能因此习得优先消化最新读入证据再作答的归纳偏置71% 相似待验证在代码数据上训练的LLM不仅提升了编程能力，还显著增强了模型的逻辑推理能力，代码训练和逻辑推理能力之间存在正向迁移效应71% 相似待验证规划模型加代码模型的分工架构将意图理解与符号精确性两个子任务分离，可缓解单一模型在长代码生成中的注意力漂移问题69% 相似待验证提示词与模型版本存在深度绑定关系，不同版本模型在RLHF训练数据、指令微调策略上的差异会导致相同提示词产生不同输出，这种现象被称为「提示词漂移」69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/961214API
curl https://kongchang.com/api/v1/knowledge/claims/961214MCP
get_claim(id=961214)