arXiv new/cross; non-contrastive vision-language pretraining · P0 · 2026-07-02

LeVLJEPA：它和通用视觉自监督的关系在于：把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens

高相关；详见方法、贡献和实验边界。

LeVLJEPA: End-to-End Vision-Language Pretraining Without Negatives　arXiv new/cross; non-contrastive vision-language pretraining　原文链接

编号2607.00784 优先级P0 类别arXiv new/cross; non-contrastive vision-language pretraining 会议arXiv new/cross; non-contrastive vision-language pretraining 方法把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens。高相关；详见方法、贡献和实验边界。

**Figureure 2 · Sensitivity to predictor depth**Figure 2. Sensitivity to predictor depth. Zero-shot (left) and linear probing (right) Top-1 accuracy as a function of the number of hidden layers in the cross-modal predictor.这张图/表用于判断 LeVLJEPA 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。

**Figureure 4 · Model size scaling on CC12M**Figure 4. Model size scaling on CC12M. LeVLJEPA vs. CLIP on ImageNet zero-shot (left) and linear probing (right) across three ViT backbone sizes: Tiny, Small, and Base. Both methods improve with model size, and LeVLJEPA remains competitive with CLIP across the full range.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 LeVLJEPA 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：把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens。

方法拆解

把 JEPA 式非对比学习直接推到端到端图文预训练，目标是更好的 dense visual tokens

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。