视觉SSL模型缩放至7B参数可在VQA任务上匹配CLIP

CDS教授@ylecun和CDS附属助理教授@sainingxie表明，视觉自监督模型在扩展到7B参数并在2B图像上训练后，可以在VQA任务上匹配或超越CLIP——无需任何语言监督。阅读论文：