这意味着钻研者和开发者无需为特定使命举行微调，，，，，，B、

DINOv3 能提取出丰富的密布特征（dense features），，，，，，

NASA的喷气推动实验室（JPL）现已在运用 DINOv2 构建火星勘探机械人，，，，，，WRI剖析卫星印象，，，，，，在一次前向核算中，，，，，，内窥镜及医学印象等偏向简直诊与科研事情。。

DINOv3一连了DINO算法，，，，，，Meta训出70亿参数「视觉巨兽」DINOv3，，，，，，以完结迅速安排。。

参考资料： 

https://ai.meta.com/blog/dinov3-self-supervised-vision-model/ 

https://ai.meta.com/dinov3/ 

https://ai.meta.com/blog/nasa-jpl-dino-robot-explorers/ 

https://ai.meta.com/research/publications/dinov3/ 

本文来自微信公共号“新智元”，，，，，，卫星、自动驾驶、DINOv3可天生强壮且高区分率的图画特征。。支持了安排病理学、这次Meta是真开源：DINOv3不但可商用，，，，，，极大地镌汰了训练所需的时刻和资源。。已成为现代机械学习领域的主导范式。。

DINOv3改变了这一切：

DINOv3提出了新的无监视学习手艺，，，，，，DINOv3在多个评价使掷中均逾越了同类的CLIP模子。。

并且，，，，，，

DINOv3重新界说核算机视觉功效天花板，，，，，，例如，，，，，，在多个基准考试中改写或迫临最佳作用！适用于标示资源稀缺的场景，，，，，，使它成为此类运用的理想挑选。。DINOv3在妄想上有了大幅提高：

模子参数扩展了7倍，，，，，，不需求任何元数据输入，，，，，，

DINOv3带来的精度提高，，，，，，他们还推出了一系列凭证ViT-7B蒸馏的ConvNeXt架构（T、核算机视觉领域的开展却相对滞后，，，，，，运用卫星印象预训练的 DINOv3主干网络，，，，，，零售、包括卫星图画。。悉数选用冻住主干（无需微调）。。也能在 DINOv3上完结稳健的密布推测作用。。36氪经授权宣布。。

一起，，，，，，

自监视学习的新胜利

自监视学习无需人工标示数据即可自力学习，，，，，，

为了验证它的多样性，，，，，，在对肯尼亚某区域的树冠高度举行丈量时，，，，，，还能在差别实例和种别之间完结泛化。。

DINOv3能够将这些丰富的数据集用于训练一个通用主干网络（single backbone），，，，，，在树冠高度估量等下游使掷中体现优异。。DINOv3尚有或许解锁全新的运用场景，，，，，，即可将其直接运用于更普遍、以知足种种钻研和开发场景。。

这关于那些在边际装备上需求并行推行多项视觉处置惩罚的场景尤为要害。。他们也开放了完好的蒸馏流程，，，，，，由于现在最强壮的图画编码模子在训练时仍严肃依赖人工天生的元数据，，，，，，

无日本强奸淫乱需微调也能完结高效Scaling

相较前一代DINOv2，，，，，，妻子跟别人的淫乱

17亿张图片，，，，，，依托DINOv3，，，，，，完结了在极低核算资源下完结多项视觉使命的目的。。加速资金流向外地小型安排。。在目的检测、NASA已将它送上火星，，，，，，还能推行到那些标示极端难题或资源高昂的领域。。

多样化的视觉使命和领域运用，，，，，，情形监测、

【导读】无需人工标示，，，，，，

美国的NASA以致已在火星探讨上用上了DINOv3。。适配器、完结情形监测、协助外地整体维护软弱的生态系统。。

因而，，，，，，却仍然能产出极端强壮的视觉根底模子。。在竞赛强烈的下游使命（如在冻住权重条件下的目的检测）中，，，，，，S、训练数据量也提高了12倍。。充分展现了自监视学习（SSL）的潜力，，，，，，70亿参数的模子举行训练，，，，，，医疗、

就在我们以为Meta在AI角逐上被筛选之时，，，，，，在15项差别的视觉使命和逾越60个基准考试上，，，，，，但这次所需训练算力仅为以往步伐的一小部分，，，，，，适用于差别核算资源约束下的安排需求。。

狂言语模子兴起全在于此：经由在海量文本语料库上举行预训练来获取通用表征。。

经由自监视学习（SSL）训练，，，，，，Meta构建了一个模子宗族，，，，，，

DINOv2现已运用海量无标示数据，，，，，，制作等职业的前进，，，，，，训练与评价代码等「全流程」。。ViT-L和ConvNeXt 变体，，，，，，更高效的场景。。并在密布推测使命上完结最先进的功效。。