Unverified50% confidenceFactExact time
主流扩散模型通常结合U-Net骨干网络与CLIP文本编码器
1
Sources
50%
Confidence
Long-term
Relevance
7/21/2026
First Seen
Sources
Related Claims
Unverified主流文生图模型如Stable Diffusion、Midjourney、DALL-E的底层架构通常是扩散模型与CLIP文本编码器的结合78% similarVerified传统多模态模型采用模块化拼接方式，使用CLIP或ViT等视觉编码器将图像转换为特征向量后再输入语言模型，模块间存在信息瓶颈66% similarUnverifiedU-Net采用对称的编码器-解码器结构，两侧对应层之间通过跳跃连接传递细节信息，最初来自2015年的医学图像分割领域65% similarVerifiedStable Diffusion的文本引导通过CLIP文本编码器将提示词转化为向量64% similarUnverified编译后的图遵循LCEL（LangChain Expression Language）规范，统称Runnable，统一暴露invoke、stream、batch接口64% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/579730API
curl https://kongchang.com/api/v1/knowledge/claims/579730MCP
get_claim(id=579730)