没读过字的视觉模型：零配对

dominik-schnaus.github.io/unpaired-roset… 图文两个世界没牵过手，也能对上，DINOv2 没见过一句配文，Qwen3 没见过一张图，两边的嵌入空间照样被对齐了。 关键那句照录，全程没用一对图文；而且图片和配文来自不同数据集时照样成立。项目页给了地址，挂在文首。 "零配对"这半句是全场重心。前面把指挥官拔了讲的是群落里谁听谁的，这条讲的是两种感官之间谁认谁的。跟前面社区真做出来了呼应，那条在社区拼工具，这条在拼感知，两头都在提醒同一件事，多模态的门槛正在从数据量挪到对齐方式。跟前面通义十万亿也接得上，一个在堆图文堆到天量，一个在不配对也能对上，两条路都通向同一个问题，训练的原料到底要多贵。 不同数据集也能成立这一句我单独拎出来，意味着现实里散落各处、对不上号的图和文，不再非得先洗干净配成对，杂料直接能用。 我留的疑问有三处。对齐的精度怎么评没给；两个方向能不能互换没说；项目页之外的代码放没放也没数。 这周把自己的图库和笔记各抽一批，按它那套法子试一次，看能不能把两堆东西对到一条轴上。