視覺大模型吸收自監督和多模態預訓練優點，多場景識別能力顯著提升。在視覺大模型中，通過將自然語言處理 NLP 領域的模型結構和訓練技術引入到視覺模型中改善模型的訓練穩定性；通過自監督預訓練挖掘視覺信號的結構信息；利用多模態預訓練挖掘視覺信號的語義信息；最終形成圖像級、區域級和像素級的高質量視覺表征?；谏鲜瞿Ｊ?，在內部構造的多行業訓練樣本中，觀瀾視覺大模型同場景測試集性能提升 18.9%，跨場景測試集性能提升 63.8%，業務的逐場景定制需求大幅減少。