2026年7月20日，谷歌DeepMind发布GenCeption模型，将预训练视频生成器逆向改造为多任务视觉分析引擎。该模型基于通义万相Wan2.1系列，仅用7500段合成视频训练，单次前向传播即可完成深度估计、图像分割、3D姿态估计等五类任务。其支持文本提示驱动，可输出深度图、表面法线图及分割掩码，并具备跨域泛化能力，能在真实多人视频及动物、机器人场景中有效工作。小模型处理81帧视频约需6秒，大模型（140亿参数）约需10秒。