大規模な視覚エンコーダーの事前学習に向けた新規手法を提案する。近年の視覚モデルにおける自己回帰的事前学習の進展を基盤とし、本研究ではこれを画像とテキストのマルチモーダル設定へと拡張する。本論文では、シンプルな事前学習プロセス、スケーラビリティ、および多様な下流タスクにおいて優れた性能を発揮する一般化視覚エンコーダー群「AIMV2」を紹介する。この成果は、視覚エンコーダーとマルチモーダルデコーダーを組み合わせ、自己回帰的に生の画像パッチとテキストトークンを生成する仕組みによって実現される。本エンコーダー群はマルチモーダル評価において優れた性能を発揮するだけでなく、局所化（localization）、グランドイング（grounding）、分類といった視覚ベンチマークでも高い精度を示す。特に、AIMV2-3Bエンコーダーは、トランク部分を凍結した状態でImageNet-1kで89.5％の精度を達成した。さらに、さまざまな設定において、最先端の対照学習モデル（例：CLIP、SigLIP）を常に上回るマルチモーダル画像理解性能を示している。