arXiv 新增 + ICLR 2026 Poster + language-steered VFM · P0 · 2026-06-20

Language-Instructed Vision Embeddings for Controllable：它和通用视觉自监督的关系在于：让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式

高相关；详见方法、贡献和实验边界。

Language-Instructed Vision Embeddings for Controllable and Generalizable Perception　arXiv 新增 + ICLR 2026 Poster + language-steered VFM　原文链接

编号2606.19584 优先级P0 类别arXiv 新增 + ICLR 2026 Poster + language-steered VFM 会议arXiv 新增 + ICLR 2026 Poster + language-steered VFM 方法让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式。高相关；详见方法、贡献和实验边界。

**Figureure 11 · : Illustration for baselines compared with in our paper**Figure 11: Illustration for baselines compared with in our paper. We take the two tower architecture (A), add the text query embedding to the embedding (B), and adding query to the text answer as description following Menon et al. (C).这张图概括 Language-Instructed Vision Embeddings for Controllable 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 10 · : Comparison with existing methods**Figure 10: Comparison with existing methods. Note that B, C, E requires large language model based decoders. D does not have a embedding to perform zero-shot retrieval.这张图/表用于判断 Language-Instructed Vision Embeddings for Controllable 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：让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式。

方法拆解

让语言在推理时动态指导视觉 encoder 生成任务中心 embedding，直接挑战静态视觉特征范式

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。