通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-07-14 图像表征 · VFM · JEPA · 视频预训练
arXiv new/cross · P0 · 2026-07-14

Scalable Visual Pretraining for Language：它和通用视觉自监督的关系在于：系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃

高相关；详见方法、贡献和实验边界。

Scalable Visual Pretraining for Language Intelligence　arXiv new/cross　原文链接

编号2607.09657 优先级P0 类别arXiv new/cross 会议arXiv new/cross 方法系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃。 高相关；详见方法、贡献和实验边界。

Figure <sub>5:</sub> Architecture comparison between the generative-decoder variant and de
Figure <sub>5:</sub> Architecture comparison between the generative-decoder variant and deFigure <sub>5:</sub> Architecture comparison between the generative-decoder variant and decoder-free visual <sup>pretraining.</sup> (Left) The generative-decoder variant (VP with Decoder) adds a MAR decoder and a frozen VAE decoder to reconstruct pages from LLM-refined latents, providing additional pixel-level supervision at the cost of extra parameters and computation. (Right) Our decoder-free formulation (VP w/o Decoder) predicts foreground patch latents autoregressively without pixel reconstruction.这张图概括 Scalable Visual Pretraining for Language 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。
(a) Loss comparison: Visual Pretraining vs
(a) Loss comparison: Visual Pretraining vs(a) Loss comparison: Visual Pretraining vs. Text Pretraining (b) Visual Pretraining Scaling across Benchmarks这张图/表用于判断 Scalable Visual Pretraining for Language 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：系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃。

方法拆解

系统研究 unsupervised visual pretraining 对语言智能的贡献，强调文档/网页的视觉结构不应被纯文本化丢弃

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。