Unverified50% confidenceFactExact time
视觉大模型发展的原生统一架构从预训练阶段就将视觉Token与文本Token置于同一序列空间联合建模，代表性工作包括Google的Gemini系列与Meta的Chameleon
1
Sources
50%
Confidence
Long-term
Relevance
7/15/2026
First Seen
Sources
Related Claims
UnverifiedGemini的图像生成能力基于原生多模态架构，模型在训练阶段同时学习了文本和图像的表征72% similarUnverifiedGoogle DeepMind在Gemini技术报告中明确指出Gemini系列从设计之初就是多模态原生的，而非在语言模型基础上后期添加视觉能力70% similarVerifiedGemini系列从训练阶段就将多种模态联合建模，而非像GPT-4V等方案那样后接视觉编码器69% similarVerifiedGoogle在Gemini技术报告中披露，其模型在预训练阶段就同时接触了多模态数据，而非先训练语言模型再进行多模态微调69% similarUnverifiedGoogle Gemini 1.5 Pro及后续版本采用原生多模态架构，能直接处理视频帧序列，具有百万级token上下文窗口68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/510790API
curl https://kongchang.com/api/v1/knowledge/claims/510790MCP
get_claim(id=510790)