该文综述视觉自回归与自监督建模进展：提出语义感知自回归图像建模，按补丁特征相似性排序并预测补丁特征，在分类、检测、分割任务上表现优异；SAIM采用随机排列与并行编解码，ImageNet-1K达83.9%；JAM融合文本与图像生成模型实现多模态输出；此外还涉及冻结影像模型加轻量Adapter提升视频行为识别、InternVL扩展至60亿参数并对齐大语言模型、MIM数据规模研究、MAE预训练-微调取得新最优、大模型增强传统视觉模型、无Trimap端到端抠图，以及无需语言数据的“视觉句子”顺序建模。