近日，科技界迎来了一项新的突破，meta公司正式发布了WebSSL系列模型，这一系列模型基于纯图像数据进行训练，旨在探索无语言监督的视觉自监督学习（SSL）的潜力。此举标志着meta在视觉学习领域迈出了重要一步。
在当前的视觉学习领域，以OpenAI的CLIP为代表的对比语言-图像模型已成为学习视觉表征的热门选择。这类模型在视觉问答（VQA）、文档理解等多模态任务中展现出了卓越的性能。然而，语言依赖成为了一个限制因素，由于数据集获取的复杂性和数据规模的限制，语言依赖面临着诸多挑战。meta公司正是针对这一痛点，推出了WebSSL系列模型。
WebSSL系列模型涵盖了DINO和Vision Transformer（ViT）两种架构，参数规模从3亿到70亿不等。这些模型在Hugging Face平台上发布，为研究和应用提供了极大的便利。值得注意的是，这些模型仅使用了metaCLIP数据集（MC-2B）中的20亿张图像子集进行训练，完全排除了语言监督的影响。
WebSSL模型采用了两种视觉自监督学习范式：联合嵌入学习（DINOv2）和掩码建模（MAE）。在训练过程中，统一使用了224×224分辨率的图像，并冻结了视觉编码器，以确保结果差异仅源于预训练策略。这一设计使得WebSSL模型能够在不受数据和模型规模限制的情况下，深入评估纯视觉自监督学习的表现潜力。
模型在五个容量层级（ViT-1B至ViT-7B）上进行了训练，并基于Cambrian-1基准测试进行了评估。该基准测试覆盖了通用视觉理解、知识推理、OCR和图表解读等16个VQA任务。实验结果显示，随着参数规模的增加，WebSSL模型在VQA任务上的表现接近对数线性提升，而CLIP在超过30亿参数后性能趋于饱和。
在OCR和图表任务中，WebSSL模型的表现尤为突出。经过数据筛选后，仅用1.3%的富文本图像进行训练，WebSSL模型就在OCRBench和ChartQA任务中实现了高达13.6%的性能提升。这一成果充分展示了WebSSL模型在特定任务中的卓越性能。
WebSSL模型在高分辨率（518px）微调方面也表现出色，进一步缩小了与SigLIP等高分辨率模型的差距。在文档任务中，WebSSL模型更是展现出了卓越的性能。这一成果不仅验证了WebSSL模型在视觉学习领域的潜力，也为未来的研究提供了重要的参考。
WebSSL模型在无语言监督下仍展现出与预训练语言模型（如LLaMA-3）的良好对齐性。这表明大规模视觉模型能够隐式学习与文本语义相关的特征，为视觉与语言的交叉研究提供了新的思路。
同时，WebSSL模型在传统基准测试（如ImageNet-1k分类、ADE20K分割）上也保持了强劲的表现。部分场景下，WebSSL模型甚至优于metaCLIP和DINOv2等现有模型。这一成果进一步证明了WebSSL模型在视觉学习领域的领先地位。
