---
title: "通用视觉预训练三条件 (Three Imperatives for Generalist Vision Pre-training)"
created: 2026-07-13
updated: 2026-07-13
type: concept
tags: [computer-vision, pre-training, generalist-model]
sources:
  - arxiv:2607.09024
---

# 通用视觉预训练三条件

## 定义

GenCeption 提出的通用视觉基础模型预训练必须满足的三个必要条件。这些条件是判断一个预训练范式能否成为"视觉的 next-token prediction 等价物"的标准。

## 三条件

### 1. 时空演化 (Spatio-Temporal Evolution)
> "世界是 4D 连续体。预训练目标必须迫使模型内化运动世界的 4D 时间因果和物理学。"

- 需要：理解物体恒存性、3D 几何、物理交互、时间因果
- 视频生成天然满足：生成下一帧 = 隐式理解运动规律

### 2. 视觉-语言对齐 (Vision-Language Alignment)
> "为继承语言模型的指令遵循能力和常识知识，视觉特征应在预训练和后训练阶段都与语言语义原生对齐。"

- 需要：开放词汇理解、文本引导的任务切换
- 文本到视频生成天然满足：模型以文本描述为条件

### 3. 可规模化 (Scalability)
> "范式应能在数据和计算上规模化，最终促成视觉智能的涌现。"

- 需要：低成本标注（或自监督）、高商业价值驱动规模化
- 视频生成天然满足：互联网视频近乎无限，文本描述成本低

## 评估现有范式

| 条件 | MAE | DINO/CLIP | V-JEPA | 视频生成 |
|------|-----|-----------|--------|----------|
| 时空演化 | ❌ | ❌ | 部分 | ✅ |
| VL 对齐 | ❌ | ✅ | ❌ | ✅ |
| 可规模化 | 部分 | ✅ | 部分 | ✅ |

只有**视频生成预训练**同时满足全部三个条件。

## 参考
- [[genception-video-vision-2026|GenCeption (ECCV 2026)]]
- [[video-generation-pretraining|视频生成预训练]]