myWiki/concepts/three-imperatives-vision.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
通用视觉预训练三条件 (Three Imperatives for Generalist Vision Pre-training)	2026-07-13	2026-07-13	concept	computer-vision pre-training generalist-model	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
• video-generation-pretraining