Large Vision Models (LVM)
Los modelos de visión grandes son redes de visión con cientos de millones o miles de millones de parámetros, preentrenadas con enormes colecciones de imágenes para realizar numerosas tareas.
Un modelo de visión grande (LVM) es una red neuronal para imágenes y vídeo con cientos de millones o miles de millones de parámetros, preentrenada con millones o miles de millones de imágenes para que un mismo modelo sirva para muchas tareas visuales. Es el equivalente visual de un modelo de lenguaje grande y un tipo de modelo fundacional: el preentrenamiento es principalmente autosupervisado o débilmente supervisado, y el modelo resultante se adapta a clasificación, detección, segmentación, profundidad o recuperación con pocos datos etiquetados o ninguno. La mayoría de los LVM son Transformers de visión, cuya precisión sigue mejorando con el tamaño del modelo y los datos, conforme a las mismas leyes de escalado observadas en los modelos de lenguaje. Entre los ejemplos conocidos están ViT-22B de Google, con 22 000 millones de parámetros; DINOv2 y DINOv3 de Meta; y Segment Anything Model de Meta.
Cómo se entrenan los modelos de visión grandes#
Las etiquetas no escalan hasta miles de millones de imágenes, así que los LVM aprenden principalmente de las propias imágenes o de textos asociados de forma poco estricta. DINOv2, publicado por Meta en 2023, utiliza autodestilación y entrena una red estudiante para que iguale las salidas de un profesor en distintos recortes de la misma imagen; su modelo más grande tiene 1.100 millones de parámetros y se entrenó con 142 millones de imágenes seleccionadas, y DINOv3 amplió la receta en 2025 a 7.000 millones de parámetros y 1.700 millones de imágenes. Los autocodificadores enmascarados adoptan otro enfoque para el aprendizaje autosupervisado: ocultan la mayoría de los parches de una imagen y entrenan el modelo para reconstruirlos. El aprendizaje contrastivo de imágenes y texto, como en CLIP y SigLIP, entrena un codificador de imágenes para que coincida con los pies de foto y produce redes troncales visuales que reutilizan muchos modelos multimodales. Segment Anything Model de Meta aprendió segmentación con indicaciones a partir del conjunto de datos SA-1B, con 1.100 millones de máscaras en 11 millones de imágenes.
El modelo que dio al término su uso más literal, LVM de Bai y sus colaboradores de UC Berkeley y Johns Hopkins en 2023, convierte imágenes, fotogramas de vídeo y anotaciones como máscaras de segmentación en «oraciones visuales» de tokens discretos y entrena con 420.000 millones de ellos mediante la predicción del siguiente token, sin texto alguno. En la fase de prueba resuelve tareas mediante indicaciones visuales: dados unos pocos pares de imágenes de entrada y salida de ejemplo, continúa la secuencia con la salida de una imagen nueva.
Adaptación de LVM a tareas#
Rara vez se utiliza un LVM preentrenado tal cual. Sin datos etiquetados, el modelo funciona sin ejemplos mediante sus propias indicaciones, como los clics para SAM, o mediante representaciones incrustadas de imágenes que se comparan para tareas de recuperación y eliminación de duplicados. Con algunas etiquetas, el sondeo lineal entrena una pequeña cabeza sobre características congeladas, que es la forma habitual de evaluar las características de DINOv2 y DINOv3 en estimación de profundidad y segmentación; o bien el ajuste fino actualiza la propia red troncal. Cuando el destino es un teléfono, una cámara o un robot, el LVM etiqueta datos o enseña a un modelo compacto mediante la destilación de conocimiento.
La función auto_annotate de Ultralytics sigue esta última vía: combina un detector YOLO26 con SAM de Meta para convertir los cuadros detectados en etiquetas de segmentación con las que entrenar un modelo de segmentación más pequeño. SAM-b tiene 93,7 millones de parámetros y YOLO26n-seg tiene 2,7 millones, unas 35 veces menos. Ultralytics Platform aplica la misma idea a los conjuntos de datos de detección, donde los modelos de visión guiados por clases etiquetan las imágenes con las que después se entrena un modelo YOLO26.
LVM frente a VLM y modelos específicos para tareas#
Un modelo de visión y lenguaje conecta un codificador visual, a menudo un LVM, con un modelo de lenguaje para responder con texto a preguntas sobre imágenes; un LVM por sí solo genera características, máscaras o imágenes. Los modelos específicos para tareas, como las redes de detección de objetos, se entrenan para una sola tarea y un conjunto fijo de clases, lo que los mantiene lo bastante pequeños y rápidos para la inferencia en tiempo real en dispositivos de IA en el borde. Los modelos de visión grandes sacrifican esa eficiencia a cambio de una mayor versatilidad: se evaluó una única red troncal DINOv3 congelada en clasificación, detección, segmentación, estimación de profundidad y correspondencia 3D; Meta también entrenó una versión con imágenes satelitales para tareas de análisis de imágenes satelitales, como la cartografía de la altura de las copas de los árboles.










