西乔 XiQiao(@recatm):主要论证 T2V backbone 是否具备像 GPT-3 推平所有NLP 任务的这么一个定位价值。Vision Banana 同题研究（我说我怎么好像之前看过这篇咧，还以为带娃又把脑子搞坏了）如果厂商对视频模型有更高的格局和预期（比如 world model 或 robotics 或自驾），性价比更高的做法是在预训练阶段就把感知任务作为混合训练目标。以规避 post-training 加新模态时的结构排异问题。（论文消融显示联合训练严重损害 3D 关键点估计）论文里还提到了从通用到任务专用模型在3个泛化上的涌现，很有价值。还验证了改造的成本真的挺低。这意味着视频理解、编辑辅助、V2V渲染、动捕等能力可以从现有权重里低成本改造获取。而且有初步的scaling law迹象，不过wan 2.1 真的是上一代模型了。但是也没什么办法了，视频开源连中国厂商也不玩了。

2026.07.14 09:24

主要论证 T2V backbone 是否具备像 GPT-3 推平所有NLP 任务的这么一个定位价值。Vision Banana 同题研究（我说我怎么好像之前看过这篇咧，还以为带娃又把脑子搞坏了）如果厂商对视频模型有更高的格局和预期（比如 world model 或 robotics 或自驾），性价比更高的做法是在预训练阶段就把感知任务作为混合训练目标。以规避 post-training 加新模态时的结构排异问题。（论文消融显示联合训练严重损害 3D 关键点估计）论文里还提到了从通用到任务专用模型在3个泛化上的涌现，很有价值。还验证了改造的成本真的挺低。这意味着视频理解、编辑辅助、V2V渲染、动捕等能力可以从现有权重里低成本改造获取。而且有初步的scaling law迹象，不过wan 2.1 真的是上一代模型了。但是也没什么办法了，视频开源连中国厂商也不玩了。

Letian Wang@Letian_Wang_6

2026.07.13 12:36

Can video generation models do for vision what LLMs did for language? Introducing GenCeption from @GoogleDeepMind: one feed-forward video model for various vision tasks — SOTA, data-efficient, and emerging behaviors (ECCV 2026) 🌐 (1/8)