标签：OCR

扩展无语言的视觉表征学习技术，特别是在多模态环境中，如视觉问题解答（VQA），当前视觉自监督学习（SSL）的表现仍不及语言图像预训练（CLIP）。这种差异通常被认为是由于语言监督引入的语义因素，尽管两者模型通常在不同数据集上进行训练。最近的一项研究中，Yann LeCun、谢赛宁等研究者探讨了一个核心问题：是否语言监督对于多模态建模的视觉表征预训练是必不可少的？ 论文标题为《Scaling Language-Free Visual Representation Learning》，链接地址为 [https：//arxiv.org/pdf/2504.01017](https：//arxiv.org/pdf/250...