摘要： Google DeepMind領軍的團隊於7月10日在arXiv發表GenCeption研究，主張文字轉影片模型可作為通用視覺智慧的基礎預訓練途徑。論文稱該模型在深度、法向量、相機姿態、指代分割與3D關鍵點上達到當時SOTA，且達到對照水準最多可省500倍訓練資料。作者已開源14B與1.3B檢查點，但擴展結論仍屬初步證據。
Google DeepMind 領軍、網羅 MIT、牛津、UCL、多倫多大學與隆德大學等機構研究人員的團隊，7 月 10 日在 arXiv 發表論文《Video Generation Models are General-Purpose Vision Learners》，文章並已確定獲 ECCV 2026 接受，隨後在 7 月 13 日現身 Hugging Face Daily Papers。這份研究想傳達的訊息，歸結起來就是一句話：能把文字變成影片的生成模型，功能不僅止於產出影片，它本身就是一條通往通用視覺智慧的基礎預訓練途徑。
主論點：把生成當成預訓練
論文一開場就點出一個對照：NLP 正是靠下一詞元預測，才從一個個只做單一事務的模型，蛻變成通用基礎模型；放到視覺上，對應的預訓練範式又該是什麼？團隊的答覆是大規模文字轉影片生成，並列出三項依據：它帶有時空先驗、它讓視覺與語言互相對齊、它的擴展性會跟著資料與算力一起上升。換個角度講，模型要把影片真的生成出來，就非得弄懂深度、幾何、動態與物理一致性不可——而這些恰好是各類感知任務賴以運作的表徵。站在表徵層次來看，生成與理解是同一門課。
這套論述的來龍去脈並不難追。視覺圈曾靠遮罩式自編碼器與對比式預訓練，建立起屬於這個領域的基礎骨幹；晚近的 V-JEPA 等自監督影片模型，則在不動用生成目標的條件下追求同一個目標。這篇論文押的注是：生成路線才撐得起擴展——能把連貫影片合成出來的模型，照定義就握有一份堪用的場景結構內在模型。
GenCeption 的運作方式
為了把上述主張放到檯面上檢驗，團隊打造了 GenCeption：一個拿預訓練文字轉影片擴散模型當骨幹的前饋感知模型。它沒有替任何任務量身訂做架構，而是以文字指令下達要求，一趟前向傳播就能交出深度圖、表面法向量、相機姿態、依文字指代選出目標的分割，以及三維關鍵點等輸出。微調階段的主要素材是合成資料，等於把一個懂得「拍片」的模型，調校成懂得「看片」的通才感知器。這條路若真走得通，視覺研究的重心就會從設計任務專用網路，挪到如何在強大的生成骨幹上問出正確問題。
數據最多省 500 倍，還扳倒專家模型
實驗範圍橫跨深度估計、表面法向量、相機姿態、指代分割與三維關鍵點預測，GenCeption 在每一項都站上當時的 SOTA；對上 DepthAnything3、SAM3、D4RT、VGGT-Omega、Sapiens、Lotus-2 這批任務專用模型，成績不是持平便是超前；把設定拉到一致時，V-JEPA、VideoMAE V2 等自監督預訓練路線同樣被比下去。最亮眼的還是資料效率：照論文的說法，GenCeption 要達到 D4RT、VGGT-Omega 那樣的水準，訓練資料最多可以省下 500 倍、至少 7 倍。論文另附初步的模型與資料擴展實驗，看得出這條路線離天花板還遠。
泛化自己長出來：合成人類一路通到真實機器人
真正撐起「基礎模型」這個頭銜的證據是泛化。微調階段模型只接觸過合成的人類影片，換到真實世界拍攝的素材卻能直接上手，對訓練裡從沒出現過的類別——動物、機器人——依舊給出合理的感知結果，畫面裡同時有多個實例也應付得來。零樣本的模擬到真實遷移，過去多半得靠針對域差距下重本的設計，在這裡卻像是生成式預訓練順手帶出來的本事。對想打造離開實驗室還活得下去的感知系統的人來說，這份特質比排行榜上那一名半名的差距值錢得多。
這對視覺基礎模型路線代表什麼
程式碼與權重已由團隊以 Apache 2.0 授權開源在 google-deepmind/representations4d 儲存庫，內容包含 14B 與 1.3B 兩種尺寸的 GenCeption 檢查點，另有 VAE 與示範 notebook，骨幹用的是 WAN 2.1。研究端的門檻因此明顯下修：要做深度估計，不必再從零設計一個深度模型。該儲存庫還一併納入 Scaling 4D Representations、MooG、RVM、Omnivorous DINO 四項相關研究，可以看出 DeepMind 把生成式 4D 表徵當成一項長期計畫在經營，而不是交出一篇論文就收工。應用端則有兩件事得放冷靜：擴散骨幹的推理成本不便宜，要上即時場景得先算清楚；連論文自己都把擴展結論標成初步證據。不過大方向已經攤在眼前——影片生成模型累積下來的知識，正在變成整個電腦視覺領域都能繼承的資產。