Meta与新加坡国立大学合作开发SPICE强化学习框架，让两个AI代理相互对抗，在无人类监督下自我提升能力。该框架处于概念验证阶段，有望为未来动态适应环境的AI系统奠定基础，增强应对现实世界不可预测性的稳健性。
Meta发布DINOv3 AI图像处理模型，基于自监督学习，训练17亿张图像，拥有70亿参数。无需标注数据即可处理多种图像任务，在卫星影像等数据稀缺领域潜力巨大。用户只需少量适配即可应用于特定任务。
Meta推出DINOv3通用图像处理AI模型，无需标注数据，基于17亿张图像自监督学习，拥有70亿参数。该模型可处理多种图像任务，无需调整，特别适用于标注数据有限的领域，如卫星图像处理，在挑战性基准测试中表现优异。
Meta AI开源新一代通用图像识别模型DINOv3，采用自监督学习框架，无需人工标注即可实现卓越性能，突破传统依赖大量标注数据的局限，成为AI视觉技术新里程碑。
OpenAI推出的最新语言模型GPT-4.5，专注于提升无监督学习能力，提供更自然的交互体验。
DeepSeek-R1-Zero 是一款通过大规模强化学习训练的推理模型，无需监督微调即可实现卓越推理能力。
视听源分离系统
DINOv2: 无监督学习的稳健视觉特征
Google
-
Input tokens/M
Output tokens/M
Context Length
$140
$280
32
Openai
$525
$1050
128
facebook
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调即可在广泛的视觉任务中超越专门的先进模型。该模型采用自监督学习方式，生成高质量的密集特征，在图像分类、分割、深度估计等多种任务中表现出色。
recursechat
DeepSeek-R1是通过大规模强化学习训练的推理模型，在数学、代码和推理任务上表现出色，无需监督微调即可展现强大的推理能力，包括自我验证、反思和生成长思维链等。
DINOv3是一系列通用的视觉基础模型，无需微调就能在广泛的视觉任务中超越专门的先进模型。该模型采用自监督学习方式，生成高质量的密集特征，在各种视觉任务中表现出色，显著超越了以往的自监督和弱监督基础模型。
DINOv3是一系列通用的视觉基础模型，无需微调就能在广泛的视觉任务中超越专门的先进技术。该模型通过自监督学习生成高质量的密集特征，在各种视觉任务中表现出色，显著超越了以往的自监督和弱监督基础模型。
multimolecule
ERNIE-RNA是一个基于无监督学习的RNA语言模型，在非编码RNA序列上进行预训练，采用掩码语言模型目标。该模型能够理解RNA语言的语法，为RNA结构和功能预测等下游任务提供支持。
基于80亿MetaCLIP数据训练的70亿参数视觉Transformer模型，采用DINOv2自监督学习框架，无需语言监督
50亿参数的视觉Transformer模型，通过20亿网络图像的自监督学习训练而成，无需语言监督即可在各种视觉任务中表现优异。
基于DINOv2自监督学习框架训练的20亿参数视觉Transformer模型，使用轻过滤的网络规模图像数据（无需语言监督）。
这是一个通过DINOv2自监督学习在20亿网络图像上训练的10亿参数视觉Transformer模型，无需语言监督即可学习视觉表示。
基于80亿无语言标注网络图像训练的70亿参数视觉Transformer模型，通过自监督学习实现卓越的视觉表征能力
70亿参数的视觉Transformer模型，通过自监督学习在80亿网络图像上训练而成，无需语言监督
这是一个通过DINOv2自监督学习在20亿网络图像上训练的30亿参数视觉Transformer模型，无需语言监督即可学习强大的视觉表征。
这是一个7亿参数的视觉Transformer模型，采用掩码自编码器自监督学习方法在20亿网络图像上训练，无需语言监督。
10亿参数的视觉Transformer模型，通过掩码自编码器自监督学习方法在20亿网络图像上训练，无需语言监督即可学习视觉表征。
这是一个参数量达3亿的视觉Transformer模型，通过掩码自编码器自监督学习在20亿网络图像上训练，无需语言监督。
30亿参数的视觉Transformer模型，采用DINOv2自监督学习方法在轻过滤的网络规模图像数据上训练，无需语言监督。
unsloth
DeepSeek-R1 是由 DeepSeek 团队推出的第一代推理模型，通过大规模强化学习训练，无需监督微调（SFT）作为初步步骤，展现出卓越的推理能力。
McGill-NLP
LLM2Vec是一种将仅解码器架构的大语言模型转换为文本编码器的方案，通过启用双向注意力、掩码下一词预测和无监督对比学习实现转换。
LLM2Vec是一种将仅解码器的大语言模型转换为文本编码器的简单方法，通过启用双向注意力、掩码下一词预测和无监督对比学习实现。
akridge
基于YOLO11n架构训练的灰度水下鱼类检测模型，采用半无监督学习技术
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
