arXiv new + ICLR 2026 / OpenReview · P0 · 2026-07-14

SigLIP-HD by Fine-to-Coarse Supervision：它和通用视觉自监督的关系在于：在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量

高相关；详见方法、贡献和实验边界。

SigLIP-HD by Fine-to-Coarse Supervision　arXiv new + ICLR 2026 / OpenReview　原文链接

编号2607.09488 优先级P0 类别arXiv new + ICLR 2026 / OpenReview 会议arXiv new + ICLR 2026 / OpenReview 方法在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量。高相关；详见方法、贡献和实验边界。

**Figureure 2 · : Overview of our fine-to-coarse supervision framework for training ou**Figure 2: Overview of our fine-to-coarse supervision framework for training our SigLIP-HD. The frozen pre-trained SigLIP 2 encoder is inferred on multi-scale images to produce high-quality finegrained features. Our SigLIP-HD is trained to mimic the features at a standard resolution (512<sup>2</sup>).这张图概括 SigLIP-HD by Fine-to-Coarse Supervision 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 · : Early MLLMs (Liu et al., 2023; 2024a) resize images to a fixed low r**Figure 1: Early MLLMs (Liu et al., 2023; 2024a) resize images to a fixed low resolution (e.g., 336<sup>2</sup>px), while recent works (Li et al., 2025a; Bai et al., 2025; Liu et al., 2025) operate on native resolution with huge costs. But indeed, at a medium resolution (e.g., 512px), humans can already understand the content. How to make AI systems achieve this?这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 SigLIP-HD by Fine-to-Coarse Supervision 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：在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量。

方法拆解

在 SigLIP 2 上用 fine-to-coarse supervision 提升同等推理预算下的视觉 token 质量

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。