谷歌 DeepMind 发布 GenCeption：基于阿里 Wan2.1，单模型统一深度估计与分割等视觉任务

谷歌 DeepMind 发布 GenCeption，将预训练视频生成器改造为视觉分析引擎，仅凭单一模型同时完成深度估计、图像分割、3D 姿态估计、表面法线预测和相机姿态估计。该模型基于阿里开源视频模型通义万相 Wan2.1 训练，一次前向传播即可完成预测，通过文本提示指定任务。训练数据仅 7500 段合成视频，大模型参数量 140 亿，处理 81 帧视频约需 10 秒，小模型约 6 秒。