谷歌 DeepMind 发布 GenCeption 模型，单一 AI 模型胜任多种视觉任务

谷歌 DeepMind 团队提出 GenCeption 模型，将预训练的视频生成器逆向改造为通用视觉分析引擎。该模型基于阿里巴巴开源的 Wan2.1 系列视频生成模型训练，打破了传统计算机视觉“一个任务一个专用模型”的格局。

GenCeption 能同时执行深度估计、图像分割、3D 姿态估计、表面法线预测和相机姿态估计等核心视觉任务。与传统扩散模型需多步去噪不同，它通过一次前向传播完成预测，大幅提升处理速度。小模型处理 81 帧视频约需 6 秒，大模型（140 亿参数）约需 10 秒。

模型采用合成数据训练，仅使用 7500 段视频，由 800 个数字人体模型与 200 段动作捕捉序列组合而成。尽管训练数据几乎全是单人合成视频，GenCeption 却能泛化到真实多人场景，甚至处理动物和类人机器人视频，输出细节可保留猫胡须和单根发丝边缘。