你给 AI 一段街景视频，让它生成下一秒的画面。它得知道汽车如何移动、远近关系怎样变化，也得让同一个物体在前后帧里保持连续。现在，这篇论文追问了一步：既然视频生成模型已经学过这些规律，能不能别只让它“拍片”，也让它测距离、分物体、估计相机位置？
作者给出的答案是 GenCeption。它把预训练的视频生成模型改造成一个视觉感知模型，用同一套主体结构处理多种任务，再由文字指令告诉模型这次该输出什么。论文报告了多项领先或有竞争力的结果。不过，主要结论均来自作者自己的实验，尚不能视为独立验证。
生成视频，为什么可能教会模型“看懂”世界？
语言模型的关键转折，是把“预测下一个词”变成通用预训练：模型先从大量文本中学习语言规律，再迁移到问答、翻译和总结等任务。作者认为，视觉领域也需要一个类似的共同起点，而大规模文本生成视频可能就是候选者。
扩散视频模型——从随机噪声出发、经过多轮去噪生成连贯视频的模型——在训练中同时面对三类问题。它要理解物体外观，也要理解运动如何随时间展开，还要知道文字描述对应哪些画面和动作。
这会带来作者看重的两种能力。第一是“时空先验”，也就是从数据里形成的常识性倾向，例如物体通常不会在下一帧凭空消失，动作会怎样改变场景。第二是“视觉—语言对齐”，即让文字概念和视觉模式能够互相匹配。前者帮助模型理解动态世界，后者让人可以用自然语言指定任务。
把摄影棚改成测量室
GenCeption 建立在开源、开放权重的文本生成视频模型 WAN 2.1 上。原模型通常从噪声开始，反复运行几十步，逐渐生成视频。GenCeption 不再给它噪声，而是直接输入一段干净视频；也不再让它迭代生成，而是只运行一次，直接给出感知结果。
可以把这理解为：摄影棚里原本有一套很懂画面与运动的设备，作者没有重新建实验室，而是把这套设备改成测量工具。这个变化把慢速的多轮扩散过程，改成了前馈模型——输入经过模型一次计算就得到输出。
论文给出的推理数据也说明了速度差别。在单颗 v6e TPU 上处理 81 帧、分辨率为 480×832 的视频，13 亿参数版本耗时 5.92 秒，约每秒 13.6 帧；140 亿参数版本耗时 10.03 秒，约每秒 8 帧。作者称，这取代了 WAN 原先的 50 步扩散过程。
同一套模型，怎样交出不同答案？
传统视觉系统常为每项任务设计不同的输出头和损失函数。GenCeption 尽量把差异移到“答案格式”里：模型主体、解码器和训练目标保持统一，文字提示决定任务。
对深度、表面法线和分割这类需要逐像素作答的任务，作者把结果统一编码成三通道 RGB 图像。单值的深度或分割结果复制到三个通道；三维表面法线则让三个通道分别承载不同维度。相机位姿原本常写成矩阵，论文改用像素空间的 raymap——描述每个像素对应射线起点与方向的图——再把六个通道排进三通道画面。
这有点像语言模型把翻译、问答和分类都整理成文本：任务本身不同，但答案先被装进模型熟悉的统一容器。对于 2D、3D 关键点这类稀疏坐标，GenCeption 额外加入可学习 token，也就是模型内部专门用来读取结构化答案的小槽位。
训练数据也以合成为主。作者使用 800 个 RenderPeople 人物资产和 CMU 动作捕捉数据集中的 200 个动作，配合不同场景、背景、焦距及相机轨迹，生成了 7500 段视频。Blender 在渲染时同步提供深度、法线、分割和关键点等标准答案。部分任务还加入公开合成数据；表达指代分割——例如按“拿红杯子的人”这句话找出目标——因已有现实数据而使用了真实数据集。
结果真正说明了什么？
论文最有说服力的证据，不是某一项任务夺冠，而是同一个生成预训练底座能覆盖多类视觉问题。
以深度估计为例，在相同的 7500 段视频、约 90 万帧微调数据下，WAN 2.1 的 13 亿参数版本在 Sintel、KITTI 和 ETH3D 上的平均 AbsRel 为 0.122。AbsRel 是相对深度误差，越低越好。采用 VideoMAE V2 预训练的 10 亿参数版本为 0.154，V-JEPA 版本为 0.281。140 亿参数 WAN 版本进一步降到 0.093。这个对照支持作者的核心主张：在该实验设置里，视频生成预训练提供了比两种替代方案更有用的视觉底座，扩大模型也带来改善。
加入更多合成数据后，140 亿参数版本用 8080 段视频、123 万帧取得 0.071；表中 D4RT 为 0.082，VGGT- 为 0.067。也就是说，它超过了一个专用模型，但仍略逊于另一个。论文原文称其使用“7 to 500 less training data”仍获相当性能，但这一表述缺少明确量纲，不宜擅自解释成具体倍数。
在其他任务上，作者还报告：模型在表面法线、相机位姿、前景及表达指代分割、3D 人体关键点等基准上，匹敌或超过若干专用系统。联合训练并非全面获益：前景分割持续改善，表达指代分割大体不变；深度和相机位姿则常有退步或持平。这反而提醒我们，“统一模型”已经可行，不等于多任务之间天然互相促进。
为什么值得现在关注？
视频生成长期被当作内容工具来评价：画面是否逼真、运动是否自然。GenCeption 换了一个问题：生成过程中积累的世界知识，能否成为视觉系统的通用底座？如果这条路线成立，未来增加视觉能力时，重点可能从改模型结构，逐渐转向设计指令、数据与统一的答案格式。
论文还展示了一种初步的跨域现象：主要用合成人类视频训练的模型，可以处理真实视频，以及动物、机器人等训练分布之外的对象。但这只是作者报告的早期结果，不能外推为广泛的开放世界泛化能力。
局限与未知
- 多数领先结论来自论文自身。不同模型的训练数据、规模和评测条件并不完全一致，所谓“可比设置”的公平性仍需独立复核。
- 统一训练的收益并不稳定，深度、相机位姿等任务会出现性能回退，通用模型离全面替代专用系统还有距离。
- 140 亿参数版本在单颗 v6e TPU 上处理 81 帧仍需 10.03 秒。它比迭代扩散直接得多，但是否适合实时或资源有限的场景，论文现有结果还不能回答。