在AI视觉大模型狂飙突进的当下，一个隐秘短板始终制约着产业落地——全局描述与局部定位的能力割裂。主流视觉-语言模型虽能流畅描述图像内容，却在"熊猫左后腿定位"这类细粒度任务中频频失准。这种现象背后，是传统自监督训练对可见区域的"监督真空"问题。
DeepMind研究团队从模型蒸馏的异常现象中获得关键启示：参数量较小的学生模型在精细分割任务中反超教师模型，源于蒸馏过程意外形成的全区域监督机制。基于这一发现，TIPSv2构建了三大技术支柱：iBOT++模块打破传统遮盖预训练的局限，强制模型对所有像素区域建立精确映射，将训练模式从"局部猜谜"转变为"全景精读"；Head-only EMA技术则颠覆了双模型并行的传统范式，通过仅对投影头进行动量更新，在保持性能前提下大幅降低算力开销；多粒度文本混合训练策略更模拟人类认知过程，通过动态调整描述详略度防止模型陷入局部最优。
这项突破对AI基础设施提出新要求。相比需要暴力堆砌算力的传统方案，TIPSv2在NVIDIA H100等最新AI芯片上展现出惊人能效比，单卡训练速度提升2.3倍。在COCO、ADE20K等20个基准测试中，其零样本分割性能超越前代技术56%，且首次在医疗影像分割等专业领域达到可用水平。