深度分析
大規模跨模態表示對齊實驗：DINOv2 與 OpenLlama 互最近鄰分析
本研究使用互最近鄰指標比較視覺編碼器DINOv2與語言模型OpenLlama，發現小樣本下似有對齊，但擴增至百萬級後，跨模態一致性僅保留粗類別語意，顯著削弱了柏拉圖表示假說的支持。此結果暗示不同模態模型仍可學得豐富的世界表徵，但未必收斂至同一表示，對多模態基礎模型設計與資源選擇產生啟示。
DINOv2
深度分析
PROVE：以 RC‑S / RC‑T 衡量視覺媒體物體移除連貫性（採用 DINOv2 特徵）
物體移除任務面臨一對多模糊性，既有全參考與無參考指標各有偏誤且全域時間量測難以察覺局部失真。本文提出RC‑S與RC‑T兩項局部分布比對指標，並以包含80段配對與100段挑戰性影片的PROVE‑Bench驗證，結果顯著提升與人類判斷的一致性。
深度分析
以 DINOv2 激活與穩定稀疏自編碼器重構 32,000 個視覺概念：Minkowski 幾何視角
以自監督DINOv2嵌入為研究對象，採用穩定稀疏自編碼器抽取32000個視覺概念；分析發現分類、分割與深度估計分別動員不同、低維的功能子空間；進一步觀察到概念呈部分稠密與局部連通性，並提出以原型凸混合與有界區域為核心的Minkowski表徵假說，這一觀點改變對視覺Transformer可解釋性與操作策略的理解。
深度分析
SemiFA：結合 DINOv2、LLaVA‑1.6 與 SECS/GEM 的全自動多模態缺陷分析框架
半導體缺陷分析需結合影像、設備遙測與歷史資料。SemiFA 以四代理 LangGraph 流程自動生成報告，融合視覺模型與 SECS/GEM 資訊，提高根因推理精度。完整報告於 48 秒內完成，顯示多模態技術在製程診斷的效能突破。
DINOv2
利用 DINOv2 緩解多物種分割領域漂移：除草劑影像跨域評估與階層推論
除草劑田間試驗需穩健的植物分割模型；研究結合 DINOv2 與階層推論，訓練德西多國多年度資料，測試時間、裝置、地理與無人機影像漂移；結果顯示模型在內部與跨域情境均顯著提升分割精度，已部署於 BASF 農業表型工作流程。
跨模態對齊
譜幾何功能映射診斷跨模態對齊：視覺 DINOv2 與 all‑MiniLM‑L6‑v2 的結構差異
研究聚焦於獨立預訓練的視覺與語言編碼器跨模態對齊，使用功能映射框架分析譜幾何。發現兩模型譜相似但特徵基底未對齊，對角占優度低且正交誤差高。此譜複雜度‑方向差距揭示跨模態對齊的結構限制。