🧠 核心问题

当前视觉表示学习存在两大范式，各有短板：

核心观点：这两类范式本质上是互补的，可以整合进统一的多任务框架，并辅以密集空间监督信号加以增强。

💬 Introduction 亮点观点

🔖 金句批注

"these paradigms remain bifurcated, primarily focusing on either global semantics or local regularities while leaving fine-grained spatial and geometric reasoning as underconstrained emergent properties"

尽管这些范式取得了成功，但它们仍然处于分叉状态，主要侧重于全局语义或局部规律，而将细粒度的空间和几何推理作为一种约束不足的涌现属性。

为什么这句话重要？

"underconstrained emergent property" 这个措辞极为精准，其潜台词是：VL 和 SSL 并不是"不能"做空间推理，而是从来没有显式要求模型去学它。空间几何能力如果出现了，只是训练过程中无意间涌现的副产品，而不是被优化目标约束出来的能力。既然没有约束，就没有保障。

这与"模型不擅长空间推理"是两个完全不同的诊断：

• 约束不足（underconstrained） → 训练目标的设计缺陷，可以被修复
• 能力天花板 → 模型结构的根本局限，很难突破

作者用这个词，实际上已经在为解法铺路：既然是 underconstrained，解法就是加约束——即引入显式的深度和 grounding 监督。问题的诊断与解法形成了干净的逻辑闭环。

六个亮点论点

① 两大范式本质上是互补的，而非竞争的 VL 学全局语义，SSL 学局部结构——过去大家把这两条路线视为两个阵营。作者第一个论点就是：它们天然互补，应该被整合进一个框架。视角的转变本身就是一个强论点。

② 细粒度空间推理是两大范式共同的盲区 VL 和 SSL 在各自维度卷得很深，却都把空间几何理解当成"自然涌现的副产品"，而非显式学习目标。作者指出这是一个系统性缺陷，不是某一类方法独有的问题。

③ 视觉预训练可以借鉴 LLM 的哲学，但要清醒认识差异 LLM 通过同时吸收翻译、摘要、问答等多样化任务变得通用。作者将这个成功逻辑类比到视觉领域，但随即承认视觉任务天然异构（不像语言的离散序列），直接照搬有难度。这种"类比 + 清醒认识局限"的写法比简单类比更有说服力。

④ 伪标签即使不完美，也能有效扩展监督信号 只要引入了互补的任务方向，表示空间就会向多粒度统一的方向移动。这是一个务实的论断——不追求完美标注，而是用高容量 expert 模型批量生产"够用"的监督信号。