**视频生成模型可作为通用视觉学习者**

_Video Generation Models are General-Purpose Vision Learners_

> 研究提出GenCeption，利用大规模文本到视频生成的预训练范式，赋予模型强大的时空先验与视觉语言对齐能力。该模型在深度估计、分割及3D关键点预测等任务中达到SOTA水平，且数据效率极高，证明视频生成是通向通用视觉智能的基础路径。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-13 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.09024)