DINOv3 (dinov3)
以 Markdown 查看在 Playground 中试用即将推出
dinov3（DINOv3-B）将一张图片转换为经 L2 归一化的嵌入向量，向量描述的是图片的外观。外观相近的两张图片得到的向量方向相近，可用于相似度排序、近重复检测，以及在图片库中做最近邻检索。
| 模型 ID | dinov3 |
| 模型 | DINOv3 ViT-B/16（Meta） |
| 权重 | Meta 官方发布（facebook/dinov3-vitb16-pretrain-lvd1689m） |
| 用例 | 嵌入与检索 |
| 接口 | POST /v1/embeddings |
| 模型池 | 公共池：所有已注册账户可用，每个 UTC 日包含 100 次调用 |
| 计费单位 | image。单位与价格：计费 |
| 许可证 | DINOv3 License |
一次调用是图片编码器的一次前向推理。图片被直接缩放到 224 × 224 像素并做归一化，再送入 DINOv3 ViT-B/16，即一个把图片切分为 16 × 16 像素图块的视觉 Transformer（ViT）。向量取自编码器的汇总输出（最终归一化之后的类别 token），缩放到长度 1（L2 归一化），以 float32 数值返回。录制的响应中 dimensions 为 768。
编码器只接受图片，因此向量是纯视觉的：它描述图片的外观，两张图片通过向量的点积比较，点积等于余弦相似度。该模型没有文本输入，也没有文本空间，文本无法与 dinov3 向量比较；siglip2 才把图像和文本放在同一个空间。
每张图片对应一次推理，因此一次调用计为一次 image。该工作不依赖缓存，之后的调用对同一图片会重新计算向量。
各用例下的特性
Section titled “各用例下的特性”dinov3 为 POST /v1/embeddings 提供服务，每次调用一张图片，不接受 texts。
- 向量是纯视觉的、经 L2 归一化的 float32 数值。两张图片的余弦相似度等于其向量的点积，数值越高表示越相似。向量长度请读取
dimensions（录制的响应中为 768），不要写死。 - 不同模型的向量不可比较：用
dinov3建立索引的图片库，须用dinov3查询，其向量也不能与siglip2的向量比较。查询内容是句子或一组标签时，请使用siglip2。
用例说明与调用示例：嵌入与检索。
- 每次调用一张图片。图片限制：详见图片。
- 延迟：录制的调用中
timing.processingMs为 216 ms。该数值取决于图片、排队情况和节点负载，不构成保证。
使用 dinov3 输出的产品应显示标识 Built with DINOv3。该标识不翻译。输出的使用受 DINOv3 License 约束。