arXiv · cs.CL· Anders Gjølbye·· 18 天前AI 评分45
Vision Transformer 仅凭图像就能学会词义
Vision Transformers Learn Word Meaning from Images Alone
来源与原文
arXiv · cs.CL
作者：Anders Gjølbye
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.13252v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
研究发现 DINOv3-H 和 DINOv3-7B 这两个视觉 Transformer 仅靠图像自监督预训练、无任何文本配对或标签监督，就能组织出词义结构。研究者通过词图像与匹配对照的嵌入差分分析发现，同行业品牌名、同语义域名词各自聚集，国家-首都词对呈现一致向量偏移，且与文本、语音编码器的表示结构相互对齐。这是已知首批展现出渲染文字语义结构的自监督视觉模型。
来源：arXiv · cs.CL · arxiv.org