DINOv3:空前规模下的视觉自监督学习

Meta 发布自监督学习视觉模型 DINOv3,将训练数据扩展到 17 亿张图像、模型规模提升至 7B 参数,首次让单个冻结的视觉骨干网络在目标检测、语义分割等密集预测任务上超越专用方案,并在图像分类等多个基准上达到或超过 SigLIP 2、Perception Encoder 等最强模型。Meta 还开源了从 ViT-B 到 ViT-7B 的模型家族及 ConvNeXt 架构变体,采用商业许可发布,以推动计算机视觉与多模态生态的创新。