苹果公司的研究者通过自回归图像模型（AIM）验证了视觉模型“参数越多性能越强”的规律，进一步证明随着容量或预训练数据量的增加，模型能不断提升性能。AIM能有效利用大量未经整理的图像数据，训练方法和稳定性与最近的大型语言模型(LLM)类似。这一观察结果与之前关于扩展大型语言模型的研究结果是一致的。
虽然本文实验所使用的模型规模有限，还需进一步探索是否能在更大参数量级的模型上验证此规律。研究者使用的预训练目标遵循应用于图像 patch 序列的标准自回归模型，通过一系列实验和研究，验证了模型容量可以轻松扩展到数十亿个参数，同时对下游任务有很好的性能。
项目地址：https://top.aibase.com/tool/aim
此外，研究者对自回归目标训练 ViT 模型的多方面进行了探讨，并且重新审视了之前的工作。研究者的实验报告显示，在整个训练过程中，优化目标直接带来更好的下游性能，而随着模型容量的增加，损失值和下游任务的准确性都有所提高。这一观察结果与在 LLMs 中观察到的趋势一致，反映了优化目标会直接带来更好的下游性能。
在 AIM 的设计参数中，除了扩展宽度，研究者还特别采用了一种简单设计，使用多层感知机块，独立地对每个 patch 进行处理。研究者同时强调，研究的模型规模有限，对更大参数量级的模型上验证此规律还有待进一步探索。
论文的实验结果证明了视觉模型同样遵循「参数越多性能越强」的规律，自回归训练对图像模型具有很好的扩展性，并能够满足视觉特征的训练要求。对未来图像模型性能提升和优化提供了新的研究方向和思路。