Meta AI 发布 DINOv3：无需微调、无需标注的下一代视觉模型

475 0

Meta AI 正式推出 DINOv3 —— 一项在计算机视觉领域具有里程碑意义的自监督学习模型。它不仅刷新了密集预测任务的性能上限，更首次证明：一个通用、冻结的视觉骨干，可以在无需微调的情况下，在多个专业场景中超越专用模型。这一进展标志着 AI 视觉系统正从“任务定制”迈向“通用即用”的新阶段。

项目主页：https://ai.meta.com/dinov3
GitHub：https://github.com/facebookresearch/dinov3
模型：https://huggingface.co/collections/facebook/dinov3-68924841bd6b561778e31009

什么是 DINOv3？

DINOv3 是 Meta 对其 DINO 系列自监督视觉模型的重大升级，全称为 "DINO version 3"。它通过大规模无标签数据训练，生成高质量、高分辨率的图像特征，适用于目标检测、语义分割、实例分割、视频跟踪等多种下游任务。

与传统模型不同，DINOv3 的核心思想是：

训练一个强大的通用视觉骨干，冻结权重，直接搭配轻量级适配器用于具体任务。

无需对主干网络进行微调，即可实现卓越性能，极大提升了部署效率与泛化能力。

关键突破与技术亮点

特性	说明
完全自监督训练	使用 17 亿张无标签图像进行训练，远超前代 DINOv2 的 1.42 亿张。整个过程不依赖人工标注，适合标注成本高昂或稀缺的领域，如遥感、生物医学影像、农业监测等。
70亿参数骨干网络	采用 ViT-G（Giant Vision Transformer）架构，参数规模达 70 亿，是目前最大的公开自监督视觉模型之一，显著提升特征表达能力。
冻结骨干，无需微调	在目标检测、语义分割等任务中，主干网络保持冻结状态，仅训练小型适配器（如提示解码器）。这不仅节省算力，还增强了模型稳定性与跨域适应性。
多任务超越专用模型	在多个基准测试中，DINOv3 在未微调的情况下，表现优于针对特定任务设计的模型（如 Mask R-CNN、U-Net 等），打破了“专用优于通用”的固有认知。
多种模型变体支持不同场景	除大规模 ViT-G 外，Meta 还发布了 ViT-B、ViT-L 和 ConvNeXt 变体，满足从科研实验到边缘设备部署的多样化需求。

开源与商业化并行发布

Meta 此次发布不仅包含预训练模型权重，还提供了：

完整的训练与评估代码
下游任务适配器实现
Jupyter 示例笔记本

所有资源均以 商业许可证 形式发布，允许企业将其集成到产品中，加速 AI 视觉能力的落地。

这一完整套件的开放，为学术界和工业界提供了即用型工具链，有望推动新一轮视觉应用创新。

真实世界的应用已开始

DINOv3 的潜力已在全球多个实际项目中得到验证：

世界资源研究所（WRI）
在肯尼亚的森林监测项目中，使用 DINOv3 后，树冠高度估算误差从 4.1 米降至 1.2 米，精度大幅提升，有助于更精准地评估碳储量与生态变化。
NASA 喷气推进实验室（JPL）
正将 DINOv3 集成至火星探测机器人视觉系统中，利用其强大的零样本泛化能力，在极端环境下实现高效、低计算开销的场景理解。

这些案例表明，DINOv3 不仅是实验室成果，更是可直接服务于地球观测、太空探索等关键领域的实用技术。

DINOv3 与前代模型对比

属性	DINO / DINOv2	DINOv3
训练数据量	最多 1.42 亿张图像	17 亿张图像（+10倍以上）
模型参数	最多 11 亿	70 亿
是否需要微调	否	否（保持冻结）
密集任务表现	表现强劲	超越专用模型
模型变体	ViT-S/B/L/g	ViT-B/L/G, ConvNeXt
发布形式	开源	商业许可证 + 完整工具套件