格灵深瞳视觉基础模型Glint-MVT升级

近日，格灵深瞳灵感实验室和华为伦敦研究所发布最新版视觉基础模型——Glint-MVT v1.5（RICE）。

格灵深瞳此前有6篇论文亮相国际顶级学术舞台ICCV 2025，涵盖视觉基座模型、人脸3D重建等领域，其中最新版MVT的相关论文不仅入选，还被接收为Highlight论文。

先看升级后的核心要点：

1技术创新性方面：新版MVT提出了一种区域局部感知增强的视觉特征学习方法。

2下游任务表现方面：在OCR和分割等任务上效果优于v1.1版和AIMv2、SigLIP2。

3此外，团队还构建了共4亿图像、20亿局部区域、4亿文字区域的预训练数据集。

概括来说，MVT v1.5的最大升级在于：强化了模型对图像细节和文字特征的捕捉和表达能力，在精细任务上表现更优。

以往的视觉-文本对比学习模型，如OpenAI的CLIP模型和谷歌的改进版SigLIP模型等，更侧重全局图像特征（对图像内容的概括性描述），核心的训练逻辑是 “全局对齐”，让模型理解图像的整体语义，并和文本的整体语义相对应。

但这类模型对图像局部区域的细节信息表达较少，难以满足需要精细处理图像的任务，例如OCR和图像分割等。

针对这一问题，新版MVT提出一种区域局部感知增强的视觉特征学习方法。

在技术方案上，格灵深瞳团队利用专家分割模型和OCR模型，对无标注数据进行处理，产生十亿级局部区域，并通过聚类产生伪标签。也就是说，通过分割-OCR-聚类的技术流程，团队将无标注数据转化为带伪标签的大规模训练集，节约了标注成本，提升了自主学习能力。

同时，团队设计了区域Transformer层，用来提取局部区域特征和支持数据扩展的区域鉴别损失，使得团队能在亿级数据上进行预训练，突破了在大规模样本上进行高效训练的技术挑战。

基于以上技术攻关，MVT v1.5增强了局部特征和文字特征。相较于传统的全局图像特征模型，新版MVT在检测分割、OCR等对应的下游任务表现上得到提升，有效性得到验证。

以文字OCR任务为例，从下图可以看出，MVT v1.5（RICE）的多项分数高于CLIP和SigLIP等模型。

文字OCR任务和全局理解任务：

引用分割：

检测分割任务：

单目标跟踪任务：

从技术创新到下游任务，格灵深瞳并非单纯追求学术表现，而是注重技术成果转化应用，通过提升任务表现推动AI在多元场景中真正落地。

MVT v1.5背后的技术团队——格灵深瞳灵感实验室，是国内计算机视觉领域的深耕者。灵感实验室聚焦于视觉及相关模态特征表达与应用，主要研究方向包括：视觉基础大模型、多模态大模型、图文多模态表征、大规模分布式训练等。下一步，团队将锚定视频理解领域，发布最新模型成果。