何恺明参与！DeepMind把文生视频模型做成通用视觉基座，训练数据量仅1/500

「一套文生视频搞定八大视觉任务」

当下计算机视觉长期陷入“一任务一专用模型”内卷：

做深度估计要用DepthAnything，分割依赖SAM，人体姿态单独训练Sapiens，几何重建还得搭VGGT，各类网络骨干、解码器、损失函数完全割裂，研发与部署成本居高不下。

DeepMind联合多所高校推出GenCeption给出颠覆性解法：

不用从零训练感知网络，直接复用预训练文生视频扩散模型作为通用预训练基座，仅靠单套前向架构，通过文本指令切换深度、法向量、分割、3D关键点、相机位姿等十几种视觉任务，在主流基准上持平甚至超越各类专业定制模型，训练所需数据量仅为竞品1/7至1/500，还诞生仿真泛化到真实动物、多实例识别等涌现能力。

这套方案打通视频生成与通用视觉感知的边界，证明文生视频预训练是计算机视觉领域对标NLP下一个token预测的通用预训练路径。

1

—

GenCeption统一架构

整套框架不改动预训练DiT扩散主干核心权重，仅通过后训练适配多感知任务，整体分为预训练基座、统一多任务表征、稀疏任务令牌三大核心模块，全程统一骨干、统一解码器、单一L2损失，任务差异仅靠文本prompt与输出格式区分，无需为每个任务定制网络头。

图 | GenCeption架构总览图 ©【深蓝AI】编译

1.1 预训练文生视频DiT主干复用

GenCeption选用WAN 2.1预训练文生扩散模型作为基座，摒弃扩散模型多步迭代去噪流程，将输入固定为无噪声原始视频隐变量，时间步强制设定t=0（整流流推理终止条件），模型输出取负速度向量对齐真实视觉目标隐空间，仅保留单次前向推理，把生成器改造为特征提取器。

训练不改动主干基础表征，仅微调少量适配层，最大限度保留预训练学到的时空、图文先验，这也是它数据效率远超MAE、V-JEPA的核心原因。

图 |GenCeption完整架构总览图 ©【深蓝AI】编译

1.2 稠密视觉任务：统一RGB像素表征方案

针对深度、表面法向量、前景分割、稠密人体姿态、射线图这类像素级稠密任务，论文提出统一3通道RGB输出规范，所有任务预测结果全部映射至[0,1]RGB值域：

单通道量（深度）复制三通道填充；三维法向量直接使用RGB三通道存储；相机6维射线数据设计“罗斯科射线图”格式，旋转信息放左上区域、平移信息放中心绿色区块，在不修改解码器结构前提下兼容高维几何输出。

整套设计类比大语言模型把各类任务转化为文本字符串，视觉领域将所有稠密感知统一为像素图像，一套VAE编码器、解码器即可完成全部稠密任务输入输出，无需多分支解码网络。

图 | “罗斯科”射线图格式示意图 ©【深蓝AI】编译

1.3 稀疏视觉任务：可学习令牌扩展模块

2D/3D人体关键点这类离散坐标输出无法融入像素表征，框架新增一组可学习时序令牌，拼接至视频隐序列后送入DiT主干，推理完成后通过单层MLP解码得到每帧关键点坐标；时序位置采用插值缩放适配预训练时间窗口，不破坏主干原生3D RoPE位置编码，稠密、稀疏任务共享同一套主干权重，仅依靠文本指令区分输出类型。

1.4 统一单损失训练机制

现有多任务视觉方案普遍存在损失平衡难题，深度、分割、关键点损失量级差异巨大，需要人工调试数十组权重。GenCeption完全舍弃多损失组合，所有稠密、稀疏任务统一使用L2损失：

深度图通过场景中位数归一化+对数压缩映射至标准值域，消除尺度歧义；分割、姿态等原生像素任务直接在隐空间计算损失；稀疏关键点在输出坐标空间计算误差。任务权重不再靠损失系数调节，仅依靠训练时混合数据比例控制，大幅降低多任务调参成本。

图 |深度与表面法线估计定性效果展示图 ©【深蓝AI】编译

2

—

全合成视频完成通用视觉训练

GenCeption整套后训练不使用任何真实标注视频，仅依托Blender生成以人为核心的7500条合成视频数据集：

素材采用800组数字人资产、200套CMU动作捕捉序列，搭配多样化HDRI背景、可变相机焦距生成训练素材，渲染同步输出深度、法线、分割掩码、人体关节真值，每条视频附带对应文本指令。

图 |文本指代分割定性结果图 ©【深蓝AI】编译

数据集仅包含人类相关仿真素材，但模型训练完成后具备极强跨类别泛化，也就是论文重点提出的涌现行为，这也是文生视频预训练表征强大的直观佐证。

3

—

实验结果

实验分为多任务综合对标、不同预训练范式对比、数据缩放规律、涌现能力四大板块，区分纸面指标与工程实际价值，同时标注各类指标适用边界，避免单纯刷榜式解读。

3.1 多任务横向对标

测试覆盖深度、表面法线、相机位姿、前景抠图、文本指代分割、3D人体关键点六大任务，对比DepthAnything3、SAM3、VGGT-Ω、Sapiens、Genmo等行业标杆模型。

核心结论：GenCeption通用单模型在绝大多数基准达到对标效果，专用微调版（单一任务训练）小幅领先通用版；但要客观看待指标局限：所有几何、分割测试基准场景结构规整，无极端强光、遮挡、动态杂乱真实环境，在杂乱野外、复杂室内场景精度会出现明显回落。

表 | GenCeption与主流专用SOTA模型全任务定量对比表 ©【深蓝AI】编译

对比优势来源并非模型算力更强，而是文生预训练自带时序一致性，视频序列预测不会出现帧间闪烁，这是单图像专用模型普遍缺失的能力。

3.2 不同预训练范式公平对比

在同等微调数据规模下，WAN 2.1文生预训练主干（GenCeption基底）全面超越V-JEPA、VideoMAE V2两种主流视频自监督方案，模型尺寸放大、训练数据增加时性能持续稳步提升，展现清晰缩放定律。

表 | 各类预训练主干深度任务定量对比表 ©【深蓝AI】编译

数据效率是该工作最大工程亮点：达到VGGT-Ω同等深度精度，仅需其1/500训练帧；对标D4RT仅需1/7数据。

3.3 消融实验：预训练层数量验证

消融实验清晰证明预训练主干不可替代：

完全随机初始化DiT（0层预训练）损失几乎不下降；随冻结预训练层数增加，收敛速度、最终精度同步提升，40层完整复用预训练权重达到最优效果，直接证实文生视频预训练存储的时空、图文先验是模型性能核心来源。

图 |不同预训练冻结层数训练损失收敛曲线 ©【深蓝AI】编译

3.4 两大关键涌现行为（行业突破性发现）

1. 仿真到真实零迁移：仅在合成数字人视频训练，直接适配真实人类实拍视频，细节纹理、边缘分割效果优于专用仿真迁移模型；

2. 跨类别零样本泛化：训练集完全无动物、人形机器人素材，输入动物视频+对应文本指令，可精准输出深度、分割、3D关键点，证明预训练学到通用物体运动、几何底层规律，而非人类专属特征；

图 | 多实例与人外类别泛化效果图 ©【深蓝AI】编译

补充局限：泛化仅针对基础几何分割任务，稀有生物、复杂铰接物体精度会明显下滑，无法完全替代专用动物感知模型。

4

—

行业启发与总结

NLP依靠next-token生成预训练实现大一统大模型，计算机视觉此前始终找不到对等通用预训练目标，GenCeption给出清晰答案：大规模文生视频扩散模型是视觉领域通用预训练最优载体。

该工作并非单纯刷新各项benchmark，而是重构视觉模型开发流程：放弃“一任务一专用网络”老路，把视频生成沉淀的时空、图文先验作为公共底座，依靠统一像素表征、文本指令调度实现多任务兼容，同时依靠合成数据解决标注稀缺痛点。

从行业路线划分，未来视觉模型会分化两条路径：一是单任务极致精度专用模型（高端工业检测、高精度测绘）；二是GenCeption这类多任务通用基座（机器人、多媒体、低成本感知设备），二者不存在完全替代关系，而是互补选型。

同时也要客观看待该范式的发展阶段：目前仅在静态仿真、常规真实视频验证，复杂动态、极端恶劣环境适配仍有较大优化空间，后续若融合视觉编码器、轻量化蒸馏，会进一步拓宽嵌入式落地场景。

Ref

论文标题：Video Generation Models are General-Purpose Vision Learners 

论文链接：https://arxiv.org/pdf/2607.09024

项目主页：https://genception.github.io

文章来自于"深蓝AI"，作者 "深蓝学院"。