通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-06-09 图像表征 · VFM · JEPA · 视频预训练
arXiv 新增 · P0 · 2026-06-09

Do Video Foundation Models Understand：它和通用视觉自监督的关系在于：冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律

高相关；详见方法、贡献和实验边界。

Do Video Foundation Models Understand Intuitive Physics? A Layerwise Probing Analysis　arXiv 新增　原文链接

编号2606.09646 优先级P0 类别arXiv 新增 会议arXiv 新增 方法冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律。 高相关；详见方法、贡献和实验边界。

Figureure 2 · Layerwise MLP depth profiles by model family
Figureure 2 · Layerwise MLP depth profiles by model familyFigure 2. Layerwise MLP depth profiles by model family. MVP generally improves toward later layers, while IntPhys2 more often peaks before the final layer.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Do Video Foundation Models Understand 的方法或实验，请结合正文精读段落一起看。
Figureure 9 · Best-case probe comparison across model families for IntPhys2 and MVP.
Figureure 9 · Best-case probe comparison across model families for IntPhys2 and MVP.Figure 9. Best-case probe comparison across model families for IntPhys2 and MVP.这张图/表用于判断 Do Video Foundation Models Understand 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律。

方法拆解

冻结 V-JEPA、VideoMAE、video diffusion 等模型逐层 probing 物理常识，适合判断视频 SSL 表征是否学到动态规律

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。