Google DeepMind 近期把“生成即理解”的思路从图像推进到了视频。最新论文 Video Generation Models are General-Purpose Vision Learners 提出 GenCeption：把视频生成模型改造成一个由文本指令控制的通用视频理解系统。
它能做的不只是生成视频，而是对视频输出深度、表面法线、分割、相机位姿、2D/3D 关键点等结果。对视频后期、CG、虚拟拍摄和智能剪辑来说，这个方向很重要，因为它意味着未来一个通用视频模型可能同时承担“看懂镜头”和“生成画面”两类能力。
为什么说“生成即理解”？
传统视频理解常常把任务拆成很多专用模块：动作识别、关键点、分割、深度、相机估计，各自用不同数据和不同模型训练。问题是这些模块之间难以对齐，误差也会逐层传递。
GenCeption 的思路更接近语言模型的统一训练范式：如果一个视频生成模型为了生成连续可信的画面，必须学习时间演化、三维结构、物理规律和语言对齐，那这些能力也许可以被反过来用于理解视频。
GenCeption 怎么工作？
传统扩散模型从随机噪声出发，经过多步去噪生成视频。但深度估计、分割和姿态预测需要稳定确定的输出，不适合每次都随机采样。GenCeption 因此把多步扩散过程改造成单步前馈模型。
模型不再输入随机噪声，而是接收待分析视频的无噪声潜在表示；扩散时间步固定在 t=0，只做一次前向传播。输入同一段视频时，只要改变文本指令，模型就能切换任务。
- 指令是“输出深度”，模型生成逐帧深度图。
- 指令是“输出表面法线”，模型输出物体表面方向。
- 指令是“输出 3D 关键点”，模型预测三维人体姿态。
- 指令是“分割指定目标”，模型输出对应掩码。
统一任务：把视觉结果都变成“目标视频”
很多多任务视觉模型虽然共享主干网络，但仍然需要不同任务头和损失函数。GenCeption 更进一步，试图统一主干、预测头和训练目标。
对于深度、法线、分割、相机射线图这类密集任务，模型把结果统一编码到标准 RGB 空间，让不同任务都可以表示成一种“目标视频”。对于 2D/3D 关键点这类稀疏任务，则加入可学习 Token，再通过轻量 MLP 解码为坐标。
合成数据为什么重要？
统一视觉任务最大的现实问题是数据。真实视频通常只带有有限标注：有的有关键点，没有相机轨迹；有的有分割，没有深度；不同数据集之间还存在尺度和格式冲突。
研究团队主要使用合成数据：800 个 RenderPeople 人物资产、200 种动作，生成 7500 段人体视频，同时获得深度、法线、分割、DensePose、2D/3D 关键点和相机位姿等标注。这些信息来自同一三维场景，天然在空间和时间上对齐。
效果：接近或超过部分专用模型
论文显示，GenCeption 覆盖深度、表面法线、前景分割、指代表达分割、相机位姿和 3D 关键点等任务。在多个基准上，它能够接近或超过 Depth Anything V3、SAM 3、D4RT、VGGT-Ω、Sapiens 和 Genmo 等专用模型。
研究团队还比较了 Specialist 单任务版和 Generalist 通用版。通常多任务模型会互相干扰，但 GenCeption 的两者性能差距较小，说明统一模型没有因为任务变多而明显掉能力。
视频生成式预训练，比表征学习更强吗？
为了验证能力是否真的来自生成式预训练，作者在相同后训练数据下比较了 V-JEPA、VideoMAE V2 和视频生成模型 WAN 2.1。结果显示，在深度估计任务中，生成式预训练的 WAN 表现明显更好，而且随着模型从 13 亿参数扩大到 140 亿参数，性能继续提升。
这说明，强视频生成模型内部不仅保存了纹理和风格，也保存了空间、时间、物体和运动结构。后训练更像是给模型一个“读取已有知识的接口”。
泛化能力：从人类到动物、机器人
GenCeption 的后训练数据主要来自合成人体视频，但它能直接处理真实视频，并输出深度、法线、分割和姿态结果。更有意思的是，单人训练的模型可以泛化到多人场景；人体任务也能迁移到猩猩、动物、拟人角色和机器人上。
这些能力很难只用 7500 段合成人体视频解释，更可能来自视频生成模型在大规模预训练阶段已经学到的世界知识。
对视频后期和 CG 工作流的启发
一个模型同时输出人物、前景、指定对象掩码，减少多工具切换。
为景深、 relighting、投影、合成和三维重建提供自动结构信息。
从视频中提取 2D/3D 关键点，辅助动作捕捉、角色绑定和预演。
相机位姿和空间结构估计，有机会进入虚拟拍摄和镜头匹配流程。
它还不能解决什么？
论文主要证明的是结构层面的视觉理解：深度、法线、分割、姿态、相机等。但“发生了什么”“为什么发生”“事件因果和意图推理”仍然是更高层的视频语义问题。
做视频网总结
GenCeption 的意义在于，它把视频生成模型从“画面生成器”推进到“通用视觉理解器”。如果这条路线持续成立，未来的视频 AI 工具可能不再区分生成、分割、深度、姿态、跟踪和相机估计，而是由同一个基础模型按指令输出不同结构信息。
对视频创作者来说，这意味着后期自动化会从单点工具进入统一模型阶段。剪辑、抠像、镜头分析、三维辅助、动作提取和视觉特效，都可能共享同一个视频基础模型。