Vision Banana：视觉领域的生成即理解革命
- 来源：X/Twitter
- 原文链接：https://x.com/grapeot/status/2064115254213370288
- 作者：grapeot
- 日期：2026-06-12
- 抓取时间：2026-06-12 12:38
LLM的生成即理解路径，终于在视觉里有了一个原生的版本。
Vision Banana是Google DeepMind上个月放出的一个模型。何恺明和谢赛宁是leadership sponsor。它的做法是把分割、深度估计、表面法线估计这些视觉任务都改成画图任务。同一个模型，同一套权重，改提示词就能切换输出。
NLP那边，从GPT-3之后大家已经接受了这个逻辑：一个只会预测下一个词的模型，在大规模预训练之后，自然学会了语法、事实、推理、意图跟随。生成和理解是同一件事的两面。翻译、摘要、问答不过是prompt的不同写法。
视觉领域一直没有一个对等的实验。现在多模态模型看图回答问题，逻辑是把图像信号灌进一个已经学会理解的语言模型里，理解能力的来源在LLM那一侧，不在视觉信号本身。一个纯粹的图像生成模型，能不能靠生成训练学到三维世界、物体边界、空间关系，这个假设一直有人猜，一直缺少大规模实验证据。
Vision Banana把这个空缺填上了。基础模型是Nano Banana Pro，一个以图像生成为唯一能力的模型。视觉任务数据以极小的比例混入原来的生成训练流做轻量指令微调，本质上只是在教模型把答案画成图片，而不是从头学做分割。结果：同一个模型在语义分割上超过SAM 3（mIoU 69.9 vs 65.2），在度量深度估计上超过Depth Anything 3（δ1 0.929 vs 0.918），在表面法线估计上超过Lotus-2（角度误差15.55° vs 16.56°）。图像生成质量基本没掉，没有灾难性遗忘。
顺着这个对称性往下想。NLP花了好几年才从怀疑走到共识：生成式预训练不是补全文字的技巧，而是理解语言的最根本路径。视觉领域现在拿到了第一组完整的实验证据，证明同一套逻辑在图像上也成立。它和LLM的路径高度相似，只是一个做token预测，一个做像素生成。
论文作者在金阁寺门口随手拍了张照做非标准测试：Vision Banana预测画面里某一点距离镜头13.71米，Google Maps实测12.87米。这个测试没经过基准标准化，但它直接说明了一件事：模型不是在靠记忆训练数据取巧，它真的从单张图里提取出了物理世界的绝对尺度信息。