Google DeepMind 新论文《Video Generation Models are General-Purpose Vision Learners》主张：视频生成模型可以反过来做通用视觉理解。 团队（Kaiming He、Joao Carreira、Andrew Zisserman 共同署名）推出 GenCeption——用预训练文生视频扩散模型当感知骨干，以文本指令切换任务。在深度、表面法向、相机位姿、分割、3D 关键点等任务上，它追平甚至超过 DepthAnything3、SAM3、D4RT、VGGT-Omega 等专用模型，对比 V-JEPA、Video MAE 也明显领先。 数据效率惊人：达到 D4RT、VGGT-Omega 同等表现，训练数据只需 1/7 到 1/500。仅用合成人物视频训练，就能泛化到真实场景与 OOD 物体——典型涌现行为。 它正面回答了视觉领域 next-token prediction 等价物的老问题：答案是把大规模视频生成本身当作预训练范式。当视频生成模型不仅是创作工具、更是通用视觉智能的底座，Sora、可灵、Veo 这条赛道会被重新定价：生成是入口，理解才是终局。ECCV 2026 收录只是开始。