DINOv3

DINOv3 (Meta self-supervised vision foundation model)常用

Meta 2025 年 8 月发布的第三代 DINO，70 亿参数、17 亿张图自监督训练。

DINOv3 是 Meta 在 2025 年 8 月发布的自监督视觉基础模型，是 DINOv2 的后继。最大模型 70 亿参数，在 17 亿张图片上训练，模型规模约为上一代的 7 倍，数据约为 12 倍。大模型长时间训练时，逐图块的稠密特征会逐渐变差，DINOv3 为此提出 Gram anchoring（格拉姆锚定）来稳住这类特征。Meta 称它在不微调、只接轻量任务头的情况下，在检测、语义分割等任务上超过了专门训练的模型。除 70 亿参数的大模型外，还蒸馏出多个尺寸的 ViT 和 ConvNeXt 小模型，以及一个用卫星图像训练的版本。对机器人来说，它可以当作比 DINOv2 更强的冻结视觉编码器，提供高分辨率的稠密特征。