谷歌 DeepMind 团队近日推出了全新的 GenCeption 模型，尝试将传统的视频生成 AI 逆向改造成能够深度理解现实世界的视觉分析引擎。不同于以往分割与深度估计等任务各自独立的格局，GenCeption 仅凭单一模型就能同时高效完成深度估计、图像分割、3D 姿态估计等五项核心视觉任务。
该模型基于阿里巴巴开源的通义万相 Wan2.1 框架进行训练，在一次前向传播中即可完成预测，大幅提升了处理速度。使用者只需通过简单的文本提示输入指令，模型就能精准输出深度图、分割掩码及相机运动轨迹等丰富信息。
单人合成数据训练，惊人泛化细节保留至发丝
有趣的是，GenCeption 的训练集仅包含约 7500 段由 Blender 渲染的单人合成视频。然而，该模型展现出了极强的泛化能力，不仅能顺畅处理真实世界中的多人视频，还能轻松迁移至动物与机器人类别。
在实际测试中，小模型处理 81 帧视频仅需约 6 秒，而 140 亿参数的大模型也仅需 10 秒左右。其细节还原度甚至超越了训练用的合成原图，连猫的胡须和单根发丝边缘都能清晰保留。
