同模型的收益，要连同额外训练一起读
本页问题
MAE Table3在ImageNet-1K、224×224评价中比较两条路线。B/16、L/16、H/14从头监督训练为82.3、82.6、83.1；MAE预训练后微调为83.6、85.9、86.9。相同L/16提升3.3个百分点，说明该路线有分类迁移收益。两路共享训练图片池，却非等计算：MAE还使用1600轮预训练。H/14的patch规格与B/L不同，448分辨率结果也不混入本图。
VR05/b0 · 先立同模型的监督训练参照
先分开两个对象：ImageNet一K训练图片池用于学习，独立验证集用于评价。纵轴是二百二十四分辨率下的分类准确率。灰线来自论文自己的从头监督训练。重点追L/16的八十二点六，B与H留作趋势参照。
进一步解释
top-1是模型排名第一的类别与真实标签相同的比例。灰线、蓝线都由独立ImageNet验证图片评价；用于学习的训练图片池与验证集角色不同。
教师备课：指图与模拟问答
指图与推进 · 不朗读指右侧训练池/独立验证集两对象，再找到灰线L/16=82.6。
VR05/b1 · 同一个L/16，82.6到85.9
加入蓝线：先做MAE预训练，再分类微调。同一个L/16从八十二点六到八十五点九，提升三点三个百分点。B和H也显示在图里。这把“学到的表示是否有用”交给另一项明确任务，不再仅凭重建照片作判断。
进一步解释
B/L/H从头82.3/82.6/83.1；MAE后83.6/85.9/86.9；差值1.3/3.3/3.8pp。H/14 patch规格不同；不混入448分辨率87.8。
教师备课：指图与模拟问答
指图与推进 · 不朗读竖着连L/16灰蓝两点，读+3.3个百分点；其余数字不逐项重念。
VR05/b2 · 同样图片池，不是同样计算
蓝线还多做一千六百轮重建预训练。同一图片池不等于同样计算，因此这是任务方式与投入共同改变了结果。我们已经看到可迁移收益，但分数仍没说明内部正在区分什么；这个问题需要换一种观察办法。
教师备课：指图与模拟问答
指图与推进 · 不朗读指额外1600epoch和非等计算条件，再回到两条线留下内部问题。
接下来
结果告诉我们做得怎样，内部究竟形成了什么？
补充推导、边界与来源
按MAE v3 Table3重绘，保留原表核对入口。训练图片池与验证集分开，224评测与448结果分开，同文对照与等计算实验分开。
与本页直接相关的完整材料
- N18 · 先立参照：同一批训练图片，从头训练能做到什么？：原图、逐态说明与已校准推导。
- N19 · 先学重建，再做分类，大模型的收益更明显：原图、逐态说明与已校准推导。
条件、推导与来源
N18 · 先立参照：同一批训练图片，从头训练能做到什么？
指标是独立 ImageNet 验证集上的分类 top-1，输入分辨率统一为 224×224。两条训练路线共享 ImageNet-1K 训练图片池，但验证集与训练图片池分开。论文 Table 3 的从头监督训练基线为 B/16 82.3、L/16 82.6、H/14 83.1；B/L/H 代表不同模型规模，H 的 patch 尺寸也为 /14，不能把跨规模图读成严格只改一个参数的实验。
来源：MAE v3，物理 p.7 Table 3 / Figure 8。
相关的完整阅读材料保留原有公式、引用和原始图解。
N19 · 先学重建，再做分类，大模型的收益更明显
MAE 后微调成绩为 83.6、85.9、86.9，与从头监督训练逐模型差值为 1.3、3.3、3.8 个百分点。MAE 额外预训练 1600 epoch；共同使用训练图片池不等于等计算。ViT-H/448 的 87.8 使用不同分辨率，不混入本图 224 比较。
原表保留供核对配置；主屏曲线按 Table 3 重绘，不是新实验。
来源：MAE v3，Table 3；本课按原表重绘。
相关的完整阅读材料保留原有公式、引用和原始图解。
本页证据与条件
MAE v3 Table3原实验数据；224×224分类评价