7月21日，The Decoder消息传来，谷歌DeepMind正式亮出了GenCeption模型。这波操作有意思的地方在于，它把预训练的视频生成模型拿来“反向重构”，硬生生改造成了一个多任务视觉理解系统。而它的底子，是阿里巴巴的通义万相Wan2.1。

说白了，这模型就干了一件事：碘伏计算机视觉领域里那个“单任务、单模型”的老规矩。你猜怎么着？GenCeption只需要一次前向推理，就能根据文本指令，同步完成深度估计、语义分割、3D人体姿态估计等五项关键视觉分析任务。更让人意外的是，它的训练数据量只有7500段合成视频，比主流的同类模型少了一大截，但在多项指标上，居然能跟DepthAnything这类专用的单任务模型掰手腕，甚至还有超越。

说到泛化能力，GenCeption的跨域迁移表现相当稳健。它不仅能处理真实场景下的多人视频，连训练中从没见过的动物、机器人等类别也能应对自如。部分输出结果的细节还原度，甚至比原始训练渲染质量还要高。当然，话说回来，当前版本在推理速度与多任务协同优化之间的平衡，还有提升空间。不过，能走到这一步，已经足够让人对这条技术路线抱有期待了。