Google Vision Banana — 统一视觉生成模型
来源:AINews,2026-04-24
核心概念
Google DeepMind 发布 Vision Banana,一个统一的视觉模型,将 2D/3D 视觉任务视为图像生成问题来处理。
性能表现
reportedly 在多个视觉任务上超越专业 SOTA 系统。
范式转移意义
计算机视觉研究人员的反应是,这预示着分割、深度、法线及相关任务的处理方式将发生更广泛的转变。
与 LLM 领域演变的类比:
- LLM:从专用模型到通用基础模型
- 计算机视觉:从专门的判别模型转向统一的生成模型
这与 "Context Unrolling in Omni Models" 研究共同指向一个反复出现的主题:将不同的感知/生成任务折叠到更少的一般多模态骨干中,然后让推理时推理桥接模态。
同期相关发布
Meta Sapiens2:
- 一组在 10 亿张人类图像上训练的高分辨率视觉 Transformer
- 用于以人为中心的感知任务
战略意义
Vision Banana 代表了计算机视觉领域的范式转移——从专门的判别模型转向统一的生成模型。这与 LLM 领域从专用模型到通用基础模型的演变轨迹一致。
显式跨模态推理可能是多模态 AI 的下一个前沿,使模型不仅能"看到"和"生成",还能在模态之间进行深度推理。