研究：DINOv3视觉Transformer学习单词含义

发生了什么

据arXiv论文，DINOv3视觉Transformer仅凭图像即可学习单词含义。研究显示，模型在无语言监督情况下，能将语义相关的单词在嵌入空间中聚类，并发现国家-首都对存在一致的向量偏移。这是首个展示渲染词显著语义结构的自监督视觉模型。