درّبت على صور عادية دون أي تسميات، أظهر نموذج الرؤية الحاسوبية DINOv3 قدرة غير متوقعة تشبه عمل المطياف: فقد تعلّم تلقائيًا تمييز مناطق منفصلة في الوجوه — العينين والأنف والفم — وكأنه يفكك الصورة إلى مكوناتها الطيفية.

اختبر الباحثون هذه القدرة على 200 مقطع فيديو: بلغت دقة التحديد التلقائي لملامح الوجه 83%، بينما كان التخمين العشوائي ليعطي 23% فقط. وعند تتبع حركات الشفاه والحاجبين، ارتفعت الدقة إلى 95.5%. لكن الاكتشاف الأكثر إثارة يتعلق بالمكان الذي يولد فيه هذا التمثيل "الطيفي" داخل النموذج. فقد اتضح أن أوضح فصل للملامح لا يكمن في الطبقة النهائية، بل في الطبقة 18 من أصل 24 طبقة في الشبكة العصبية: هناك تكون الفروق بين مناطق الوجه أقوى بخمس مرات منها عند المخرج، حيث تتلاشى تدريجيًا.

في مقارنة مباشرة مع نموذج CLIP، الذي يلتقط فقط الشكل العام، تفوق DINOv3 عليه بدقة أعلى بـ 16.8 نقطة مئوية في تمييز ملامح الوجه الدقيقة. بنية DINOv3، التي تشبه الأنظمة البصرية القياسية، أنتجت في طبقاتها الداخلية خريطة تفصيلية للوجه — نوع من المطياف لعلامات الوجه. الملامح الثابتة والمستقرة المستخرجة من منتصف الشبكة تمثل أداة جاهزة لفك رموز تعبيرات الوجه، دون الحاجة إلى تدريب إضافي.