《Video Generation Models are General-Purpose Vision Learners》论文完整梳理一、论文核心内容总览1. 研究背景与核心论点NLP依靠下一个token预测预训练实现了大一统通用基础模型；但计算机视觉仍停留在任务专用模型阶段（深度、分割、位姿各一套独立模型）。本文核心猜想：大规模文生视频扩散模型是视觉领域等价于NLP next-token预测的通用预训练范式，它天然满足通用视觉智能三大刚需：时空演化建模：生成视频强制模型学习4D时序因果、3D几何、物体恒存、物理交互先验；视觉-语言对齐：原生文本条件生成，天然绑定语言语义与视觉；可规模化：文生视频标注成本低、商业化驱动海量数据与算力训练，具备涌现能力基础。团队基于该猜想提出GenCeption通用视觉感知框架：将预训练视频扩散DiT主干改造为单步前向推理感知模型，仅通过文本指令切换任务，一套统一架构、统一损失、统一解码器处理稠密/稀疏视觉任务。2. GenCeption整体方案预训练底座/