摘要

我们提出了一种大规模视觉编码器预训练的新方法。基于视觉模型自回归预训练的最新进展，我们将该框架拓展至多模态场景，即图像与文本的联合建模。本文介绍了AIMV2系列通用视觉编码器，其特点包括简单直观的预训练流程、良好的可扩展性，以及在多种下游任务中表现出色的性能。该方法通过将视觉编码器与一个多模态解码器相结合，实现对原始图像块和文本标记的自回归生成。我们的编码器不仅在多模态评估中表现优异，在视觉基准任务（如目标定位、视觉定位与分类）中也展现出卓越性能。值得注意的是，AIMV2-3B编码器在ImageNet-1k数据集上实现了89.5%的准确率（采用冻结主干网络），且在多种场景下，其多模态图像理解能力持续优于当前最先进的对比学习模型（如CLIP、SigLIP）。