符号定义

在论文的 Table1 中有给出三个模型（Base/ Large/ Huge）的参数

Model	Patch Size	Layers	Hidden Size D	MLP size	Heads	Params
ViT-Base	16x16	12	768	3072	12	86M
ViT-Large	16x16	24	1024	4096	16	307M
ViT-Huge	14x14	32	1280	5120	16	632M

• Layers：指 Transformer Block 的层数。
• Hidden Size D：指每个 token 的特征维度（embedding dim）。
• MLP Size：计算为 Hidden Size D × mlp_ratio，默认 mlp_ratio=4，表示 MLP 部分的隐层维度。
• Heads：多头自注意力中并行头的数量。
• Params：是模型大致参数量，具体数字可能因实现细节或是否包含额外模块（如在 SAM 中）而不同。

在论文及实际使用中，我们常用ViT-size/patch_size的形式来表示该模型是在“什么规模”及“多大的 patch 尺寸”上预训练出来的。例如ViT-H/14就表示该模型是在 Huge 规模上，用 patch 尺寸为 14 的数据做预训练的。

常见模型

Model	Pre-Trained Dataset	Finetuned Dataset	Patch Size	Layers	Hidden Size D	MLP size	Heads	Params
ViT-B/16-IN1K	ImageNet21K	ImageNet1K	16×16	12	768	3072	12	~86M
ViT-B/16-IN21K	ImageNet21K	-	16×16	12	768	3072	12	~86M
ViT-L/16-IN1K	ImageNet21K	ImageNet1K	16×16	24	1024	4096	16	~304M
ViT-B/16-DINO	ImageNet	-	16×16	12	768	3072	12	~86M
ViT-B/16-SAM	SA-1B (Segment Anything 1B)	-	16×16	12	768	3072	12	~632M (整套 SAM)
ViT-B/16-MAE	ImageNet21K	-	16×16	12	768	3072	12	~86M
ViT-B/16-CLIP	OpenAI CLIP（约4亿图文对）	-	16×16	12	768	3072	12	~86M (视觉编码器)

• IN1K / IN21K 分别指在 ImageNet-1K（约 100 万张图）或 ImageNet-21K（约 1400 万张图、2 万类）上进行预训练。
• DINO 为自监督蒸馏方法，在 ImageNet-1K 上训练。
• SAM 则是 Segment Anything 的大规模 10 亿图像数据集（SA-1B）进行预训练，完整的 Segment Anything 模型会比标准 ViT-B/16 参数更多（大约 632M）。
• MAE（Masked Autoencoder）是图像自监督掩码预训练方法，通常也是在 ImageNet-1K 上进行预训练。
• CLIP 是 OpenAI 训练的图文对数据（约 4 亿对），其中视觉编码器部分本质上也是一个 ViT-B/16。