arXiv · 机器人与计算机视觉· Anders Gj{\o}lbye, Sebastian Ray Mason, Stella Frank, Lars Kai Hansen·· 2026-10-12AI 评分43
DINOv3-H 与 DINOv3-7B 仅凭图像自监督学习单词语义结构
Vision Transformers Learn Word Meaning from Images Alone
AI 导读
DINOv3-H 和 DINOv3-7B 作为首个在纯图像自监督预训练下展现渲染文字显著语义结构的视觉模型,无需配对描述或类别标签即可将同义词聚类并发现国家 - 首都对的向量偏移。对比对齐进一步增强了 DINOv3-H 的单词级语义结构,证明仅用图像训练能教会模型理解单词含义及其关联关系。
来源:arXiv · 机器人与计算机视觉 · arxiv.org