据@SciTechera报道，最新AI研究将语言模型中的“下一个Token预测”理念应用于视觉AI，通过将视觉嵌入看作序列中的词，实现了无需像素重建或复杂对比损失的新型自监督训练。研究显示，ViT-Base模型微调后在ImageNet-1K上达到83.8%的Top-1准确率，与现有复杂自监督方法相当（来源：SciTechera, https://x.com/SciTechera/status/2003038741334741425）。该方法在ADE20K等语义分割任务中也表现优异，证明模型学习到真实视觉结构。此方案显著降低数据标注和训练成本，为医疗、制造、自动驾驶等行业的AI视觉系统提供更具商业潜力的解决方案。

根据@AIatMeta发布的信息，DINOv3是Meta推出的最新自监督学习（SSL）计算机视觉模型，可生成高分辨率图像特征。首次实现单一冻结视觉主干在多项长期存在的密集预测任务（如语义分割、目标检测）上超越专业解决方案。这一突破为企业提供通用、高效的AI视觉系统，降低定制开发成本，促进AI图像分析在医疗、自动驾驶、零售等行业的广泛应用（来源：Meta AI 官方Twitter，2025年8月14日）。