待验证50% 置信事实精确时间
原生多模态指图像 token 与文字 token 在同一个 Transformer 架构内联合训练、统一处理
1
来源数
50%
置信度
长期有效
时效性
2026/10/4
首次发现
来源
涉及实体
相关事实
待验证新一代多模态模型通过统一的Transformer骨干网络将文字、图像、视频转化为同一向量表示空间进行推理，实现原生多模态理解70% 相似已验证GPT-Image-2很可能采用了原生多模态架构，文本理解和图像生成共享同一个Transformer骨干网络66% 相似待验证Transformer以自注意力（Self-Attention）机制为核心，由编码器和解码器两部分组成，能够并行处理序列中所有位置的信息66% 相似待验证Meta的Muse Image采用基于Transformer的掩码生成架构,在图像生成速度上具有明显优势66% 相似待验证DALL·E 1基于离散VAE和Transformer架构实现文本到图像生成65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/972810API
curl https://kongchang.com/api/v1/knowledge/claims/972810MCP
get_claim(id=972810)