通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-06-10 图像表征 · VFM · JEPA · 视频预训练
arXiv 新增 · P1 · 2026-06-10

ARM：它和通用视觉自监督的关系在于：训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction

高相关；详见方法、贡献和实验边界。

ARM: An AutoRegressive Large Multimodal Model with Unified Discrete Representations　arXiv 新增　原文链接

编号2606.11188 优先级P1 类别arXiv 新增 会议arXiv 新增 方法训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction。 高相关；详见方法、贡献和实验边界。

Figureure 2 · Architecture of our unified discrete visual tokenizer.
Figureure 2 · Architecture of our unified discrete visual tokenizer.Figure 2 Architecture of our unified discrete visual tokenizer.这张图概括 ARM 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。
Figureure 1 · High-resolution images of various aspect ratios generated by ARM.
Figureure 1 · High-resolution images of various aspect ratios generated by ARM.Figure 1 High-resolution images of various aspect ratios generated by ARM.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 ARM 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction。

方法拆解

训练离散语义视觉 tokenizer，并把图像理解、生成、编辑统一到 next-token prediction

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。