视频生成可做通用视觉预训
GoogleDeepMind · hf · 2026-07-13
Google DeepMind 这篇论文提出 GenCeption：把大规模文本到视频生成看作通向通用视觉智能的预训练路径。
核心观点是，视频生成式预训练能提供时空先验、视觉-语言对齐和可扩展性；在深度、法线、相机位姿、表达式分割、3D 关键点等多项任务上，GenCeption 达到或超过专用模型。论文还显示，和 V-JEPA、Video MAE 等预训练方式相比，视频生成骨干在相近设置下更强，而且数据效率很高，在部分任务上只需领先模型 1/7 到 1/500 的训练数据。
作者还观察到一些涌现能力：只用合成的人类视频训练，也能泛化到真实世界视频以及动物、机器人等分布外对象。
所属事件:GenCeption:视频生成模型即通用视觉学习器(6 条相关)→
「多模态」频道最新
- ComfyUI Krea2 风格提示词节点复活：新分支更新大规模风格库 — Winter_unmuted · 2026-10-27
- 无 LLM 调用的「创意生成器」：单个 HTML 文件在浏览器内产出复古海报 — Afinetheorem · 2026-10-27
- 网友用 Copilot 想象并归档自己的 80/90 年代冬季穿搭概念 — Valuable-Sky2134 · 2026-10-27
- 开源钢琴转写模型 Transkun 实测:连延音踏板事件都能准确识别 — alexanderchen · 2026-10-27
- fal 上线 FLUX 3 Image Klein LoRA 训练:支持 10 张参考图、单请求叠加 3 个 LoRA — OdinLovis · 2026-10-27
- 女朋友总想挤痘？网友用 AI 把她自拍做成可玩广告游戏 — CurieuxExplorer · 2026-10-27