基础视觉模型

基础视觉模型（Foundation Vision Model）是人工智能领域继基础语言模型（Foundation Model）之后的重要演进，指利用海量无标注或弱标注图像数据，通过自监督学习（如掩码图像建模）预训练而成的通用视觉智能体。其核心定位在于构建一个具备跨域、跨任务泛化能力的视觉‘大脑’，通过解耦图像内容（Content）与语义标签（Label）的表征，实现从特定任务模型向通用视觉智能的范式转移，为后续微调（Fine-tuning）提供强大的底层能力支撑。

在现代计算架构中，基础视觉模型扮演着‘视觉基石’与‘通用引擎’的双重角色。它打破了传统计算机视觉依赖海量标注数据与专用模型训练的局限，通过构建统一的视觉表征空间，使得模型能够以极低的计算成本适应图像分类、目标检测、语义分割、视觉问答等数十种下游任务。其生态地位类似于大语言模型在 NLP 领域的地位，正在重塑自动驾驶、医疗影像分析、工业质检及人机交互等行业的底层技术栈，推动视觉技术从‘专用工具’向‘通用智能’跨越。