2025 年 8 月，Meta AI 研究机构 FAIR 发布自监督视觉基础模型 DINOv3，并开源官方 PyTorch 实现（GitHub 仓库 facebookresearch/dinov3，目前约 1.13 万 star）。它的定位可以一句话说清：这是「给 AI 当眼睛」的通用底座模型——先用海量图片自学出通用的视觉理解能力，之后接上不同的「任务头」，就能做图像分类、目标检测、语义分割、深度估计等具体工作，多数场景只需少量标注数据微调即可。它适合三类人：做计算机视觉（CV）的工程师、算法研究者，以及想给应用加上图片理解能力、但手里没有大量标注数据的团队。

自监督：一种不用人工标注的学习方式

传统视觉模型训练依赖大规模人工标注：想让它认识猫，得先给几百万张图片一张张标上「猫」。标注成本高、扩展慢。

「自监督」绕开了这个瓶颈：模型自己从图片结构里找规律，典型做法是遮住图片的一部分、让模型根据剩余部分猜回被遮住的内容，猜得越准说明理解越深。这类方法不需要标注，图片本身取之不尽，所以能用远超人工标注规模的数据来训练。DINO（第一代，2021 年）和 DINOv2（2023 年）已证明这条路走得通，DINOv3 是这一系列的第三代，也延续了「自监督」的名字（DINO 是英文 Self-Distillation with No Labels 的缩写，即「无标签自蒸馏」）。

两条模型线：从 2100 万到 67 亿参数

DINOv3 不是单个模型，而是一个模型家族，包含两种架构：

  • ViT 系列：ViT（Vision Transformer，视觉 Transformer）的核心思路是把图片切成固定大小的小块，像处理文字序列一样交给 Transformer 网络（一种擅长捕捉长距离关联的神经网络结构）处理。提供 S/16（2100 万参数）、S+/16（2900 万）、B/16（8600 万）、L/16（3 亿）、H+/16（8.4 亿）和 **ViT-7B/16（67.16 亿参数，即 67 亿）**共 6 档。
  • ConvNeXt 系列：经典卷积网络（CNN）的现代化版本，提供 Tiny（2900 万）、Small（5000 万）、Base（8900 万）、Large（1.98 亿）4 档。

从几千万到几十亿参数，覆盖「笔记本上能跑」到「多卡集群才带得动」的完整梯度，各取所需。

训练数据：16.89 亿张网页图加 4.93 亿张卫星图

两套预训练数据集：

  • LVD-1689M：约 16.89 亿张网页图片，覆盖日常可见的绝大多数视觉场景，通用场景首选；
  • SAT-493M：约 4.93 亿张卫星遥感影像，面向地理空间应用（如土地利用分类、植被监测）。

同一型号会有「网页版」和「卫星版」两套权重，比如 ViT-L/16 和 ViT-7B/16 都同时提供两种预训练版本，按任务选即可。

能干什么：分类、深度估计、检测、分割、零样本

官方随仓库发布了多套「预训练头」（在底座模型之上加的小型专用模块），开箱即用：

  • 图像分类：基于 ImageNet 数据集训练的分类头（目前提供 ViT-7B 版）；
  • 深度估计：Depther 模型，能从单张图片估算每个像素离镜头多远，训练于 SYNTHMIX 数据集，在 NYUv2 基准上评测；
  • 目标检测：基于 COCO2017 数据集训练的检测头；
  • 语义分割：把图片按语义区域划分（如天空、道路、行人），基于 ADE20K 数据集、配 M2F 解码头（Mask2Former，一种主流分割模型）；
  • 零样本分割（dino.txt）：不预先指定类别也能分割，借助文本对齐方法 DINOv2 Meets Text 实现，「零样本」指模型没专门学过这些类别也能处理。

生态与上手：三条路都能跑

DINOv3 已进入主流生态：Hugging Face Transformers（最流行的开源模型加载与使用库）从 4.56.0 版（2025 年 8 月）起官方支持，timm（PyTorch 图像模型库）从 1.0.20 版（2025 年 9 月）起支持，同时可通过 torch.hub 加载。无论你习惯用 Transformers 的 pipeline（几行代码提取图像特征）、timm 的模型工厂，还是 torch.hub 直连官方权重，都有现成入口。仓库还附带 5 本可在线运行的 Jupyter Notebook，覆盖特征可视化、前景分割、稠密匹配、视频分割跟踪等入门场景。

一个实际使用细节：权重采用申请制——在 Meta 官网提交申请、邮件获批后会收到权重 URL 列表，用 wget 下载（官方明确建议不要用浏览器直接下载）。

训练成本参考

若想自己从头预训练：官方给出的参考是 ViT-L/16 在 4 个 H100 节点（共 32 张 GPU）上约 14 小时完成，训练出的模型在 ImageNet 上 k-NN 评估（最近邻检索：直接把测试图与训练库里最相似的样本比对归类）达 82.0%、线性评估（在提取的特征上训练一个简单线性分类器）达 83.5%。作为参照，最大的 ViT-7B 预训练需要 32 个节点、256 张 GPU，训练分三个阶段进行——这是大厂级别的算力投入，普通团队更多是直接取用官方权重。

后续动作与生态验证

发布后 DINOv3 持续有官方派生成果：2026 年 3 月推出基于 DINOv3 的 CHMv2 冠层高度图模型（用卫星图反演森林树木高度，可服务碳汇估算、林业监测），2026 年 6 月发布元数据引导训练（FINO）代码与论文。下游生态的持续产出，从侧面说明了底座模型本身的可用性。

结论：DINOv3 是 Meta 开源的第三代自监督视觉底座模型，用 16.89 亿张网页图或 4.93 亿张卫星图自学通用视觉能力，覆盖 2100 万到 67 亿参数的完整模型矩阵，接上任务头即可做分类、检测、分割、深度估计，并已被 Hugging Face 与 timm 官方支持——想在图像任务上快速起步又缺标注数据的团队，可以直接拿它的权重开跑。