¿Qué es DINOv3?
DINOv3 es una familia de codificadores de imagen de Meta FAIR, publicada el 14 de agosto de 2025. Un codificador convierte una foto en una cuadrícula de números, uno por cada pequeño parche, sobre la que otros modelos pueden construir. DINOv3 aprendió a hacerlo con 1.700 millones de imágenes web sin etiquetar, sin pies de foto ni etiquetas humanas, lo que según Meta supone 12 veces los datos y 7 veces el tamaño de modelo de DINOv2. El buque insignia es un vision transformer de 7B parámetros (6.716M); Meta lo destiló en modelos ViT de 21M, 29M, 86M, 300M y 840M parámetros y en modelos ConvNeXt de 29M a 198M para hardware más modesto.
Su gran argumento es que los rasgos funcionan congelados. Pon una cabeza ligera encima y la misma columna vertebral hace clasificación, detección de objetos, segmentación semántica, estimación de profundidad y seguimiento en vídeo sin ajustar el codificador. Un nuevo truco de entrenamiento que Meta llama Gram anchoring evita que los rasgos por parche se vuelvan ruidosos en entrenamientos largos, una debilidad conocida del método. Columnas ViT-L y 7B aparte, entrenadas con 493 millones de imágenes de satélite de MAXAR, se dirigen a cartografía, y el complemento dino.txt alinea los rasgos con texto para segmentación zero-shot.
Los pesos no son Apache ni MIT. Se distribuyen bajo la DINOv3 License, una licencia de Meta que permite el uso comercial pero prohíbe usos militares, relacionados con ITAR, nucleares y de espionaje, así como la ingeniería inversa, y que permite a Meta cambiar los términos. Las descargas en Hugging Face requieren una solicitud que se aprueba a mano.
¿Merece la pena DINOv3?
DINOv3 es la columna vertebral de imagen de uso general más fuerte que se puede descargar y, en palabras de Meta, la primera en la que un único codificador congelado supera a sistemas especializados en tareas densas. Con la columna congelada y una cabeza de detección encima alcanza 66,1 mAP en COCO, y con una cabeza de segmentación 63,0 mIoU en ADE20k, ambos el estado del arte al publicarse. Con solo una capa lineal encima, la segmentación en ADE20k llega a 55,9 mIoU, más de 6 puntos por delante de otros modelos autosupervisados y 13 por delante de las referencias débilmente supervisadas. Son cifras de la propia Meta en más de 60 benchmarks.
La ventaja práctica es que una sola pasada sirve para varias tareas. Un dron o una cámara de fábrica puede ejecutar el codificador una vez y dar los mismos rasgos a un detector, un segmentador y una cabeza de profundidad, algo que Meta promociona para dispositivos edge. La familia destilada importa tanto como el buque insignia: el ViT-L de 300M es el checkpoint más descargado, con unas 700.000 descargas en los últimos 30 días en Hugging Face, y Meta dice que los ViT-B y ViT-L destilados superan a modelos comparables basados en CLIP.
En imágenes de satélite ya se gana el sueldo. El World Resources Institute lo usa para cartografiar la altura del dosel arbóreo; en una región de Kenia el error medio bajó de 4,1 metros con DINOv2 a 1,2 metros, según Meta. Su modelo Canopy Height Maps v2, publicado en marzo de 2026, se basa en DINOv3 y se carga en Transformers.
La licencia es el precio. DINOv2 está bajo Apache 2.0; DINOv3 usa términos propios de Meta, con una descarga aprobada a mano, prohibición de usos militares, nucleares y relacionados con ITAR, obligación de citarlo en publicaciones y una cláusula que permite a Meta modificar el acuerdo con efecto inmediato. Tampoco es un modelo de texto: no describe imágenes ni responde preguntas, y el trabajo zero-shot por nombre necesita la cabeza aparte dino.txt, donde los modelos tipo CLIP como SigLIP 2 siguen siendo la opción más sencilla.
Dónde se gana su sitio
Una analista de teledetección en una ONG forestal o climática
Estimar la altura del dosel arbóreo y detectar deforestación en imágenes de satélite
Parte de la columna SAT-493M o del modelo de altura de dosel CHMv2 de Meta en Transformers. Según Meta, el WRI informa de que el error bajó de 4,1 m a 1,2 m en una región de Kenia frente a DINOv2.
Un ingeniero de percepción en una empresa de robótica de almacenes con hardware de clase Jetson
Hacer detección, segmentación y profundidad con una sola cámara y poco cómputo
Columnas destiladas como el ViT-S de 21M o el ConvNeXt Tiny de 29M se ejecutan una vez por fotograma y alimentan varias cabezas ligeras, en lugar de tres redes separadas. La precisión baja frente al modelo de 7B, así que prueba el tamaño con tus propias escenas.
Un responsable de ML en una start-up de analítica minorista de 15 personas
Encontrar productos visualmente parecidos en un catálogo de 2 millones de fotos
Genera el embedding de cada imagen con el ViT-L de 300M e indexa los vectores en una base de datos vectorial que ya tengas; no hacen falta etiquetas. Revisa antes la DINOv3 License con un abogado, porque sus términos son propios de Meta y pueden cambiar.
Antes de decidirte
- Puesta en marcha
- Solicita acceso en Hugging Face y espera la aprobación manual; después carga el modelo con pipeline o AutoModel de Transformers (4.56+) o con timm 1.0.20+. Las descargas directas llegan como URL por correo tras el formulario de Meta; el README recomienda usar wget y no un navegador.
- Integraciones
- Transformers, timm y PyTorch Hub; cabezas preentrenadas para detección COCO, segmentación ADE20k y profundidad NYUv2; dino.txt para emparejar texto e imagen sin entrenamiento; cuadernos de seguimiento de segmentación en vídeo y de segmentación zero-shot.
- Datos y privacidad
- Autoalojado, las imágenes se quedan en tu hardware. La DINOv3 License permite el uso comercial y las obras derivadas, pero prohíbe usos relacionados con ITAR, militares, nucleares, de espionaje y de armas, así como la ingeniería inversa; exige citarlo en publicaciones y permite a Meta modificar los términos.
- Coste a escala
- El ViT de 7B ocupa unos 13,4 GB de pesos a 16 bits, según nuestros cálculos, así que basta una GPU de 24 GB o más; los modelos destilados de 21M a 840M funcionan en GPU de consumo y dispositivos edge. Meta calcula que todo el proyecto usó unos 9 millones de horas de GPU, de modo que reentrenarlo desde cero no es realista.
- Límites
- Solo imagen; sin salida de texto y sin modelo de vídeo propio. Los benchmarks son autodeclarados; los mejores resultados usan el modelo de 7B con cabezas de tarea, y los destilados más pequeños puntúan menos.
Lo bueno
- La columna congelada alcanza 66,1 mAP en detección COCO y 63,0 mIoU en ADE20k (Meta)
- Tamaños de 21M a 7B parámetros, en variantes ViT y ConvNeXt
- Columnas específicas para satélite entrenadas con 493M imágenes de MAXAR
- Compatible con Transformers 4.56+ y timm 1.0.20+
Lo malo
- DINOv3 License, no Apache 2.0 como DINOv2, con prohibiciones de uso y términos modificables
- El acceso en Hugging Face se aprueba a mano
- No entiende texto sin la cabeza aparte dino.txt
- El buque insignia de 7B necesita una GPU de centro de datos; la mayoría usará un modelo destilado
Ideal para
Equipos de visión por ordenador que quieren un único codificador de imagen congelado para alimentar cabezas de detección, segmentación, profundidad o búsqueda, también en imágenes aéreas y de satélite.
Alternativas a DINOv3
DINOv3: preguntas frecuentes
- ¿Merece la pena DINOv3?
- DINOv3 es la columna vertebral de visión desde la que debería partir un equipo de visión por ordenador en 2026, siempre que el departamento legal acepte la licencia de Meta. Le damos un 4.6 sobre 5.
- ¿Cuánto cuesta DINOv3?
- Gratis bajo la DINOv3 License tras una solicitud aprobada a mano; uso comercial permitido, con restricciones militares, de ITAR, nucleares, de espionaje y de ingeniería inversa. Meta no ofrece API alojada.
- ¿Qué inconvenientes tiene DINOv3?
- DINOv3 License, no Apache 2.0 como DINOv2, con prohibiciones de uso y términos modificables; el acceso en Hugging Face se aprueba a mano; no entiende texto sin la cabeza aparte dino.txt; el buque insignia de 7B necesita una GPU de centro de datos; la mayoría usará un modelo destilado.
- ¿Para quién es DINOv3?
- Equipos de visión por ordenador que quieren un único codificador de imagen congelado para alimentar cabezas de detección, segmentación, profundidad o búsqueda, también en imágenes aéreas y de satélite.
- ¿Cuánto cuesta DINOv3 para un equipo o en producción?
- El ViT de 7B ocupa unos 13,4 GB de pesos a 16 bits, según nuestros cálculos, así que basta una GPU de 24 GB o más; los modelos destilados de 21M a 840M funcionan en GPU de consumo y dispositivos edge. Meta calcula que todo el proyecto usó unos 9 millones de horas de GPU, de modo que reentrenarlo desde cero no es realista.
- ¿Es DINOv3 seguro para los datos de la empresa?
- Autoalojado, las imágenes se quedan en tu hardware. La DINOv3 License permite el uso comercial y las obras derivadas, pero prohíbe usos relacionados con ITAR, militares, nucleares, de espionaje y de armas, así como la ingeniería inversa; exige citarlo en publicaciones y permite a Meta modificar los términos.
- ¿Cuáles son las mejores alternativas a DINOv3?
- Las alternativas más cercanas que hemos analizado son V-JEPA 2 and V-JEPA 2.1, SAM 3 (Segment Anything Model 3), Sapiens2 y Qwen3-VL-Embedding.
Respuestas comprobadas el 9 nov 2026.
¿Desarrollas DINOv3? Muestra esta nota en tu web
