人工智能研究所AI

Adobe和OpenAI联手，把真正的Photoshop、Adobe Express和Adobe Acrobat直接塞进了ChatGPT里。而且，完全免费！
没错，你没听错——你不用订阅Adobe，也不用下载软件，就在聊天框里说句话，就能用上专业级的编辑工具。这感觉就像突然有了一个私人摄影师加设计师加文秘，全天候待命。当“最强大脑”遇上“最强画笔”我们都知道，ChatGPT 就像一个无所不知的超级学霸，能写诗、能写代码、能陪聊；而 Photoshop 就像一个技艺高超的老工匠，虽然手艺无敌，但脾气有点古怪，一般人很难驾驭。过去，我们要用这把“画笔”，得先去学几个月的操作手册。但现在，Adobe 直接把自家的 Photoshop、Express 和 Acrobat 这三员大将，全部打包塞进了 ChatGPT 里。这是什么概念？

人工智能研究所AI

最近，Google Labs 像变魔术一样推出了一系列实验性产品：NotebookLM, Flow, Jules, Stitch, Mixboard, Doppl, Pomelli等等。这不仅仅是工具的堆砌，这是一场从“大脑”到“双手”的彻底武装。
Google Labs 这次发布的，不是零散的工具，而是一条完整的、自动化的创意流水线。NotebookLM 是大脑，负责输入与思考；Jules 和 Flow 是双手，负责构建与呈现；Stitch、Mixboard、Pomelli 是感官，负责修饰与传播。以前，想要完成这所有的工作，你需要组建一个 10 人的团队，花费数周时间。而现在，在这个深夜，你一个人，对着屏幕，就能指挥这支千军万马。技术门槛正在以肉眼可见的速度崩塌。未来的竞争，不再是比谁背的代码多，比谁剪辑软件用得溜，而是比谁的 NotebookLM 里塞满了更优质的知识，比谁能用 Flow 讲出更动人的故事

人工智能研究所AI

Google Gemini 3 Flash 正式发布：速度与智能的双重飞跃核心亮点： Google 推出全新轻量级模型 Gemini 3 Flash，正式宣告 AI 进入“零延迟”时代。作为首个“以下犯上”的 Flash 模型，它不仅响应速度是前代的三倍，更在关键性能上超越了自家旗舰 Gemini 3 Pro。
关键性能数据（Benchmark）Gemini 3 Flash 在多项高难度基准测试中表现惊人，打破了“轻量级 = 低智商”的传统认知：测试项目类别 Gemini 3 Flash 得分对比旗舰模型 SWE-bench代码修复 (权威榜单)78.0% 优于 Gemini 3 Pro (76.2%) GPQA Diamond专家级推理 (博士水平)90.4%达到极高水准 Humanity’s Last Exam极限综合评估 (超高难度)33.7%大幅领先 Gemini 2.5 Pro#人工智能# #Gemini 3 Pro# #Gemini 3 Flash# #谷歌新模型#

人工智能研究所AI

就在最近，Meta 再次展示了其在开源 AI 领域的统治力。Segment Anything Model (SAM) 系列迎来了第三代——SAM 3。
如果说 SAM 1 是“抠图神器”，SAM 2 搞定了视频，那么 SAM 3 则是真正“读懂了世界”。不仅如此，还有单图转 3D 的 SAM 3D 同步登场。 Meta 正式发布了 Segment Anything Model 3 (SAM 3)。不同于以往的模型只能识别“人”、“车”、“狗”这些死板的标签，SAM 3 竟然学会了理解“概念”。这不仅仅是一次版本号的更新，这是 AI 视觉理解能力的一次维度的飞跃。从“看到物体”到“理解概念”以前的 AI 视觉模型，更像是一个做选择题的学生。你给它一张图，它只能从预设的标签库里选（比如：猫、狗、桌子）。但 SAM 3 进化成了做简答题的学霸。它最大的突破在于：文本提示与视觉分割的完美融合。以前：你让 AI 分割“伞”，它会把图里所有的伞都抠出来。现在（SAM 3）：你可以说“红色的条纹伞”或者“人们坐着但手里没有拿礼物盒”。 SAM 3 能听懂这些复杂的、开放式的描述（Open Vocabulary），精准定位并分割视频或图像中的目标。在官方的测试中，SAM 3 在处理这些复杂概念时，性能比现有的系统（甚至包括 Google 的 Gemini 2.5 Pro）强了整整 2 倍！

人工智能研究所AI

谷歌刚发布Gemini 3 Pro，OpenAI立刻掏出GPT-5.2正面迎战。
这次升级，直接把AI从“聊天工具”变成了“全能工作伙伴”。四大核心升级，彻底改变工作方式：第一，它会“思考”了以前：有问必答，但可能随口瞎编。现在：像人一样先理解、再执行。例如，让它制作一份自行车店的月度财报PPT，它会先分析需求，再调用工具，直接生成一份结构完整、数据详实的文件。测试显示，它在70%的专业任务中达到或超越了人类专家水平，速度快11倍，成本不到十分之一。第二，程序员的强力外挂从前：帮忙写代码片段。现在：可以独立承包整个项目。比如，想要一个“海浪模拟”的交互网页，只需描述需求，它就能从物理算法到前端界面全部搞定。在专业测试中得分亮眼，堪称你的全职开发搭档。第三，大幅减少“胡说八道” 错误率比上一代降低了38%。回答更严谨可靠，在做分析报告和决策支持时，提供的答案更像一位严谨的学者，大大提升了信任度。第四，拥有“火眼金睛”和“过目不忘” 能精准处理相当于数本长篇小说的超长文本（25万字符），并能准确理解复杂的图表、模糊的截图。分析全年会议记录或解读设计图纸，都变得轻而易举。核心价值： GPT-5.2是专为“专业知识型工作”打造的利器。它并非要取代你，而是帮你扛下那些重复、耗时的任务，让你能腾出时间去思考战略、发挥创意——专注于真正属于人类的高价值工作。 #AI革命 #GPT5 #工作效率 #人工智能 #科技前沿 #职场进化

人工智能研究所AI

尽管自动语音识别（ASR）系统在诸多高资源语言领域已取得显著进展，但全球 7000 多种语言中的大部分仍未得到支持，数千种长尾语言实际上被忽视了。
而最近，Meta FAIR团队甩出一颗重磅炸弹——Omnilingual ASR（全语言自动语音识别）系统。不是PPT，不是Demo，是直接开源的那种。这套系统能听懂超过1600种语言，其中500种是历史上第一次被AI"听见"。更狠的是，他们还把核心模型、70亿参数的底座、350种语言的语料库，一股脑全放了出去。 Meta这次狠狠撕开了这个口子。1600种语言是什么概念？这意味着：78%的语言字符错误率低于10%（CER<10%）如果某种语言有10小时以上训练音频，达标率飙升到95%即便是数据极度匮乏的"低资源语言"，仍有36%实现了可用水平这些数字背后，是非洲部落、南美原住民、东南亚少数民族第一次拥有了"数字声音"。

人工智能研究所AI

想象一下，你导入一个公共代码库（比如GitHub上的开源项目），Code Wiki瞬间扫描全库，生成一个交互式页面。高层概念解释、类和函数定义，全都超链接到具体代码文件。卡壳了？别慌，内置的Gemini聊天代理就像你的私人导师，它不是泛泛而谈的AI，而是深度理解整个代码库的“专家”。问它“这个模块怎么优化性能？”它会基于最新上下文，给出精准答案，还附上代码片段链接。文本不够直观？它自动吐出架构图、类图或序列图，完美匹配当前代码状态——这视觉化效果，简直像给代码穿上了“X光眼镜”！
小编直接在 code wiki 上面搜索了 flash Attention 的代码库，然后 code wiki生成了一个超级震撼的图文说明，生怕你理解不了整个代码库，不仅从头告诉你整个代码库的关系，还把整个代码整理成文档，让你参考学习。而 Google 也考虑到你若真正读不懂那个部分的内容，还给你提供了 Gemini 助手，随时跟他讨论关于代码库的任何内容，简直不要太爽。你若从头读到尾这篇长文，你肯定会读懂 flash Attention。

人工智能研究所AI

最大开源模型Kimi K2 Thinking：开源AI“思考大师”，重塑智能边界
什么是 Kimi K2 Thinking？简单来说，Kimi K2 Thinking 是月之暗面（Moonshot AI）推出的旗舰级开源模型。它拥有 1 万亿参数（trillion-parameter），但在实际推理时只激活约 320 亿参数，采用 Mixture-of-Experts（MoE，多专家）架构。它支持 256K token 的上下文窗口，能处理极长文本、代码库或复杂项目。它训练时就被设计为「边思考边 action」，也就是 end-to-end 训练它在推理过程中可以不断调用工具（如搜索、编程、浏览等），进行数百步连续操作。它还支持原生 INT4 量化，在低精度下仍能维持高质量，这意味着推理更省资源、部署更灵活。据官方介绍，这个模型能执行高达200-300个连续工具调用，而无需人类干预！想想看，这相当于让AI独自完成一场马拉松式的脑力挑战，从数学难题到逻辑推理，再到实时数据分析，全程不掉链子。Hugging Face上的模型页面直言：它从Kimi K2起步，但加入了先进的推理机制，让AI真正“会思考”。

人工智能研究所AI

OpenAI 发布 GPT-5.1：8 种“人格”，真强大
核心爆点：AI开始学会“偷懒”了自适应推理：AI 会“想”了，但不会一直想，自适应推理”是 GPT-5.1 的核心技术亮点之一。什么意思？简单来说，就是 ChatGPT 不再盲目地用同样强度“思考”每一个问题，而是根据任务难度动态调整：什么意思？以前的AI像个拼命三郎，不管问“1+1=？”还是“证明哥德巴赫猜想”，它都咔咔一顿算。但现在GPT-5.1 Instant据说能自主决定要不要“动脑”。简单问题：秒回，不多BB复杂问题：默默进入“沉思模式”，给你整出花来这像什么？像职场老油条。新人啥事都较真，老手懂得“精力管理”。OpenAI这次把AI从“傻快”推向了“精快”。据说在AIME 2025数学竞赛和Codeforces编程测试中，这家伙的成绩直接起飞——不是因为算力更强，而是因为它学会了“该省省该花花”。人格大爆炸：从“机器人”到“戏精”除了技术上的升级，GPT-5.1 在对话风格上也给出了更多选择，让 ChatGPT 不再千篇一律。1.新增语气预设专业（Professional）、直率（Candid）、古怪（Quirky）。连同原来的“默认”“友好”“高效”“极客”“愤世嫉俗”，总共 8 种风格。尤其是这个 “古怪”（quirky）选项，细思极恐。AI不再满足于“有用”，它要开始“有趣”了。想象一下，你让它写代码注释，它给你来一段单口相声；你问它失恋怎么办，它先丢个表情包再讲大道理。我敢打赌，这个功能会让ChatGPT的日活翻一倍。为什么？因为人类本质上是情绪动物。一个能切换“人格”的AI，等于同时雇佣了：高冷顾问、暖心闺蜜、毒舌导师、逗比同事

人工智能研究所AI

挑战 Claude，字节跳动重磅推出豆包Seed-Code：AI编程革命来袭！
在性能方面，在业内多个主流编程评估数据集上，豆宝种子代码的得分均高于国内模型，例如 DeepSeek-V3.1、Kimi-K2 和 GLM-4.6。其整体性能仅次于目前人工智能编程领域的顶级模型——Claude Sonnet 4.5。模型能力解析 — 豆包Seed Code的三大核心亮点 256K 超长上下文能力传统编码模型在处理大型项目、多模块、跨文件修复、代码仓库级别上下文时，常受限于上下文长度（如几十K 字符、几万 tokens）。而豆包Seed Code主打“支持 256K 长上下文”，使得它能够“轻松处理长代码文件、多模块依赖等复杂场景”。 2. 视觉理解＋生成能力 — 编码模型不止写代码豆包Seed Code还被称为“国内首个支持视觉理解能力的编程模型”。输入可以是 UI 设计稿、页面截图、手绘草图：模型可以依据这些视觉信息生成对应前端页面代码。不仅生成新页面，还能“对生成页面进行视觉比对，自主完成样式修复和 Bug 修复”。 3. 兼容性强＋工具生态接入快一个模型再强，如果开发者切换成本高、工具适配差，那它的实际落地价值会大打折扣。豆包Seed Code则在这一点上下了工夫：与 Claude Code（Anthropic 的编码系列）原生兼容，只需 “几行代码” 即可完成切换。担心切换工具的麻烦？豆包Seed-Code完美兼容Anthropic API（Claude API），对于使用Claude Code的团队，只需几行代码即可迁移，享受更高性价比的服务。

人工智能研究所AI

Google Skills 是 Google 于 2025 年 10 月推出的全新学习平台，旨在帮助用户免费获取 AI（人工智能）及其他相关领域的技能培训。该平台整合了 Google 内部的多种教育资源，包括来自 Google Cloud、DeepMind 和 Grow with Google 的内容，提供了一个一站式的学习环境，适合初学者到专业人士使用。
主要功能与内容： Google Skills 平台包含超过 3000 门课程，覆盖广泛主题： AI 学习路径：从 AI 基础到高级主题，如机器学习、生成式 AI 和 DeepMind 的前沿内容。用户可以学习如何使用 Google 的 AI 工具，如 Vertex AI 或 TensorFlow。云技能：继承自 Google Cloud 的培训，包括云计算、数据工程和 DevOps。其他领域：数据分析、数字营销、网络安全和职业发展技能。互动元素：提供动手实验室、测验和项目，帮助用户实践所学。

人工智能研究所AI

Transformer的革新：一目十行的“超级大脑”
2017年，Google的论文《Attention Is All You Need》横空出世。Transformer的核心绝招就是——自注意力机制。你可以把它想象成一种超强的阅读理解能力：当它处理一个句子时，它能同时关注到句子中的所有词，并智能地分析出每个词与其他词之间的关联强度。例如，处理“苹果公司发布了新款手机”这句话： · 看到“苹果”，它会更关注“公司”和“手机”，而不是“吃”。 · 看到“发布”，它会紧密关联“公司”和“手机”。这种机制让它能瞬间把握句子的核心语义和结构，真正做到“一目十行”。两大核心优势： 1. 并行处理：可以同时处理整个序列，训练速度极快，为训练超大规模模型奠定了基础。 2. 强大的上下文理解：无论词语相隔多远，自注意力机制都能精准捕捉它们的关系，生成更准确、更连贯的内容。它带来了什么？ Transformer不仅是ChatGPT的基石，更已深入我们生活的方方面面： · 搜索引擎：让你搜得更准。 · 智能翻译：让翻译结果更地道。 · 内容推荐：精准猜到你喜欢什么。总而言之，Transformer凭借其强大的并行能力和对上下文的深刻理解，成为了当今自然语言处理乃至整个AI领域的基石架构，开启了大模型时代的新纪元。如果你想了解哪个具体应用背后的原理，欢迎在评论区告诉我！

人工智能研究所AI

来自Meta AI的大牛François Fleuret发表了一篇名为《The Free Transformer》的论文，提出了一种全新的思路，让模型学会了“先定大纲，再动笔”！。这可不是普通的学术论文，它直接挑战了AI的核心——Transformer模型！想象一下，你的ChatGPT突然能“抛硬币”决定生成正面还是负面评论，而不是边写边纠结？这听起来科幻，但Free Transformer就是这么干的。当给AI加了个“自由灵魂”，未来人工智能的崛起还会远吗？
核心创新：把Transformer改成“条件变分自编码器”（conditional VAE）。简单说，在模型中间层注入一个随机变量Z（像噪声），生成时先采样Z，然后基于Z吐词。训练时，用编码器从输入序列推断Z，确保匹配。 Free版在中途加了“自由决策”层怎么实现的？模型结构基本不变，只在中层加Z注入。编码器和解码器共享一半层，开销小（计算多10-20%）。Z用16位二进制编码，有65,536种可能，通过“Binary Mapper”采样。 free Transformer 模型的核心，就是给 AI 加上了“自由”——在开始生成内容之前，先在脑子里打个“草稿”或做个“决定” 。这个“草稿”在技术上被称为“随机潜变量”（random latent variables）。还是拿写影评的例子来说：

人工智能研究所AI

Atlas浏览器发布，谷歌迎来真正对手
AI浏览器时代来临，谷歌搜索霸主地位恐将不保 OpenAI近期推出ChatGPT Atlas浏览器，这不是普通更新，而是直指谷歌核心业务的精准打击。市场反应强烈，谷歌股价应声下跌，预示这场浏览器之战不同寻常。革新型浏览体验 Atlas将ChatGPT深度融入浏览全过程，实现“对话即浏览”的革新体验。用户无需切换页面，通过侧边栏即可获得内容总结、商品比较等服务。最具颠覆性的“代理模式”允许浏览器代表用户执行实际任务——从预订航班到在线购物。测试者只需说“帮我买iPhone”，AI就能自动完成加入购物车到付款的全过程。优势与挑战并存 OpenAI手握8亿ChatGPT用户这一巨大优势，即便少量转化也足以让Atlas跃居第三大浏览器。但当前体验仍存缺陷，代理模式的实用性尚待完善。谷歌也非弱者，Chrome拥有35亿用户和71%市场份额，生态系统根深蒂固。其AI技术也在快速追赶，市场份额持续增长。 --- 浏览器正从被动工具转变为主动助手。如果Atlas成功，谷歌万亿美元广告业务将面临直接冲击。这场竞争不再关乎搜索速度，而是重新定义人与信息交互的方式。真正的浏览器革命，才刚刚开始。

人工智能研究所AI

Waver 1.0电影级，多镜头视频生成，字节跳动三合一新模型强势来袭
传统AI视频生成领域，研究人员通常需要训练三个独立的模型来处理文本生成图片、文本生成视频和图片生成视频这三种任务。这不仅浪费大量计算资源和训练时间，而且三个模型之间无法相互学习和促进。 Waver的创新之处在于设计了一种“万能钥匙”式的统一架构。研究团队巧妙地设计了三部分输入机制，将不同类型的信息分层处理简单来说，Waver是一个能够将文字或图片转化为高质量视频的AI模型。但与众多“偏科生”不同，Waver是一个不折不扣的“全能型选手”。它在一个统一的框架内，同时支持文生视频（T2V）、图生视频（I2V），甚至文生图（T2I）。这意味着创作者无需在多个工具间来回切换，即可在一个平台内完成从灵感到画面的全部流程。 Waver可以直接生成5到10秒、原生720p分辨率的视频，并能进一步提升至1080p高清画质。更重要的是，在第三方AI模型评估平台Artificial Analysis的排行榜上，Waver在文生视频和图生视频两个赛道上都冲进了前三名，其实力可见一斑。#AI人工智能 #AI视频 #文生视频 #waver #字节跳动#

人工智能研究所AI

NVIDIA 开源的 Audio2Face 技术，以加速 AI 驱动的虚拟形象在游戏和 3D 应用中的应用。
通过利用大语言模型和语音模型，生成式 AI 正在创建智能 3D 虚拟形象，使用户能够在从视频游戏到客户服务等场景中进行自然对话。为了让这些角色更加栩栩如生，它们需要具备类人化的情感表达。NVIDIA Audio2Face 借助生成式 AI 技术，提供实时的面部动画与唇形同步，加速了逼真数字角色的开发进程。 Audio2Face 使用 AI 技术根据音频输入生成逼真的面部动画。它通过分析音素、语调等声学特征，创建动画数据流，并将其映射到角色的面部姿态。这些数据既可针对预先编写的内容进行离线渲染，也可为由 AI 驱动的动态角色实现实时流式传输，从而实现精准的唇形同步与自然的情感表达。

人工智能研究所AI

嵌入模型是人工智能处理非结构化数据的关键技术，通过将文本、图像、音频等转换为低维向量，实现语义理解与分析。其工作原理包括数据预处理、特征提取和向量投影等步骤，采用对比学习、掩蔽建模等方法训练模型。
根据数据类型可分为文本、图像、音频和视频嵌入模型，如BERT、CLIP、Wav2Vec等。这些模型通过统一的向量表示，使相似数据在向量空间中聚集，为语义搜索、推荐系统等下游任务提供支持。随着AI发展，多模态嵌入技术将进一步提升机器对复杂数据的理解能力。

人工智能研究所AI

主打社交应用，OpenAI发布视频生成模型Sora2，开启全新互动体验
从Sora到Sora 2，视频生成的新纪元 2024年2月，OpenAI推出的Sora模型被誉为视频生成领域的“GPT-1时刻”，它首次让视频生成展现出惊艳的效果，物体持久性等基础能力通过扩展预训练计算能力得以实现。如今，OpenAI再次突破技术边界，重磅推出Sora 2，被认为是视频生成领域的“GPT-3.5时刻”。而本次Sora 2视频的宣传片，直接采用 OpenAI CEO 原型来生成视频，把效果简直拉满了。Sora 2不仅大幅提升了视频生成的质量和真实感，还在物理世界模拟、可控性和多模态生成方面实现了质的飞跃。 Sora 2的核心亮点：更真实的物理世界模拟与前代模型相比，Sora 2在世界模拟能力上取得了突破性进展。它能够精准模拟复杂的物理动态，例如：奥运会级别的体操动作：从桨板上的后空翻到猫咪抓物的三周半跳，Sora 2能够细腻呈现浮力和刚度等物理特性。真实的失败场景：以往的视频生成模型往往“过于乐观”，会自动修正错误（如投篮不中自动变成命中）。Sora 2则不同，如果篮球运动员投篮不中，球会真实地从篮板反弹，遵循物理定律。这种“模拟失败”的能力对于构建真实世界模拟器至关重要。隐式智能体行为：Sora 2的“错误”更像是内部智能体基于物理规律的自然反应，而非模型的缺陷，展现出更高的真实感和逻辑性。这些特性让Sora 2不仅仅是视频生成工具，更是一个接近现实世界的通用模拟器，为未来AI理解物理世界奠定了基础。强大的可控性与多风格生成 Sora 2在可控性和风格多样性上也令人惊叹：多镜头复杂指令：Sora 2能够精确执行跨越多个镜头的指令，同时保持世界状态的一致性，无论是写实风格、电影风格还是动漫风格，都游刃有余。多模态生成：作为一个通用的视频音频生成系统，Sora 2不仅能生成高质量的视频，还能创建逼真的背景音景、语音和音效，打造沉浸式体验。现实元素注入：通过“客串”功能，用户可以上传自己的音视频片段，Sora 2能够将其精准融入任何生成场景，无论是人类、动物还是物体，都能以惊人保真度呈现。这些功能让Sora 2成为一个高度灵活的创作工具，适用于从个人娱乐到专业影视制作的多种场景。 Sora 2的社交应用：开启全新互动体验为了让用户更直观地体验Sora 2的魅力，OpenAI推出了一款全新的Sora iOS社交应用，以“客串”功能为核心亮点：创作与混搭：用户可以在应用中创作视频、混搭彼此的创作风格，甚至在可自定义的Sora动态中发现新内容。客串功能：只需录制一段简短的音视频，Sora 2就能将用户或好友精准融入任何场景，带来前所未有的互动体验。社交连接：OpenAI内部测试显示，这款应用帮助员工结识新朋友，展现了其作为新型沟通方式的潜力

人工智能研究所AI

Transformer 模型开发从0到1，原理深入与项目实战
Transformer是什么？它是个2017年由Google团队提出的**AI模型架构**，现在几乎所有顶级AI（比如GPT、Midjourney）都在用它！就像是一个「超级大脑」，能同时处理文字、图像甚至声音！二、核心原理超形象比喻！想象一个高效设计团队：自注意力机制（Self-Attention） → 团队开会时，每个人都会关注到其他人发言的重点（比如A说色彩，B说构图），自动整合关键信息！ Transformer就是这样：处理一句话时，每个词都会“注意”其他词的关系！（比如“苹果”和“吃”关联，和“手机”无关）并行处理（Parallel Processing） → 传统AI像“流水线工人”（必须一步步处理），而Transformer团队是“全员同时脑暴”速度超快！所以它训练效率超高，能处理超长文本和图像！编码器-解码器（Encoder-Decoder） → 就像“翻译组+创作组”： - 编码器：先理解输入内容（比如读懂“一只猫在沙发上”） - 解码器：再生成目标结果（比如输出英文“A cat on the sofa”或画成图片）三、为什么它这么火？打破序列限制：可以同时处理大量数据，不再像以前只能逐词分析！适配多领域：不仅用于 NLP（自然语言处理），还能做图像生成、语音识别！支撑爆款AI：ChatGPT的GPT系列、Google的BERT、画图的DALL-E…全都靠它！四、生活里的应用例子 ChatGPT：和你对话时，它在用Transformer理解上下文关系 Midjourney画图：输入文字→Transformer理解语义→生成图像语音翻译：实时翻译时，它能捕捉句子整体含义而非逐词转换

人工智能研究所AI

Meta 开源 DINOv3：自监督学习重塑计算机视觉，开启 AI 新纪元
DINOv3 的技术核心：无标注数据的革命性突破DINOv3 基于 Meta 的标志性 DINO 算法演进而来，但进行了多项创新优化。它无需任何人工标注或元数据，仅利用 17 亿张图像进行训练，模型规模扩展至惊人的 70 亿参数。这比前代 DINOv2 的数据集大了 12 倍，参数增加了 7 倍，却大幅降低了训练计算量——只需以往方法的几分之一。关键创新包括： - Gram Anchoring 技术：解决长期训练中特征退化问题，确保模型在高分辨率下保持稳定和高性能。 - 高密度特征提取：DINOv3 生成丰富的像素级特征向量，能捕捉图像中每个像素的属性，如纹理、深度和语义，支持跨实例和类别的泛化。这使得下游任务只需轻量级适配器（如线性模型）即可实现稳健预测，无需微调主干网络。 - 模态通用性：算法不限于网络图像，还适用于卫星、航空和医疗成像等领域，其中标注成本极高。卫星预训练版本使用 MAXAR 图像，能在冠层高度估算等任务上大放异彩。