待验证50% 置信概念精确时间

视觉语言模型回答图像问题时需要完成两件不同的事：从图像中提取相关信息（视觉推理VR）和基于提取信息推导答案（语言推理LR）

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

SPLIT-RL：分阶段训练破解视觉语言推理的能力归因难题

涉及实体

视觉推理concept 语言推理concept

相关事实

待验证视觉模型的图像编码和传参方式与纯文本模型存在差异78% 相似已验证视觉质量强的AI图像生成模型往往在美学数据分布拟合上侧重，语义理解强的模型需要更强的跨模态对齐能力，二者难以兼得74% 相似待验证语言模型将风格描述解析为潜在视觉特征向量，图像生成模块在约束条件下进行去噪采样逐步生成图像73% 相似待验证多模态大语言模型在回答视觉推理问题时常常依赖语言先验而非真正相关的视觉证据72% 相似待验证文字指令先于图像输入时，Transformer的交叉注意力机制使模型在编码图像时已形成明确的查询向量，优先激活与目标语义相关的视觉区域72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/990744

API

curl https://kongchang.com/api/v1/knowledge/claims/990744

MCP

get_claim(id=990744)