研究：DINOv3 仅靠图像自学掌握词语语义结构

arXiv 论文（2610.13252）显示，DINOv3-H 与 DINOv3-7B 两个最大的 DINOv3 Vision Transformer 仅靠纯图像自监督预训练，就学会了图像中渲染文字的语义。作者称这两者是首批展现显著词级语义结构的自监督视觉模型。控制拼写相似度后，同行业品牌名、同语义域名词在嵌入空间中相邻聚集，国家—首都词对呈现一致的向量偏移。