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。