📰 概要

2026年4月，Google DeepMind发布Vision Banana。何恺明、谢赛宁署名，核心结论：图像生成模型经过轻量指令微调，可以成为通才视觉模型。

方法很简洁：把所有视觉任务的输出统一重新参数化为RGB图像。分割、深度估计、表面法向量，都变成「生成一张图」。

Cityscapes分割mIoU达0.699，超过SAM 3的0.652。深度估计δ1=0.882，超越UniK3D 6个百分点。一个模型打多个专用模型。

---

🔍 解读

计算机视觉圈长期有个争论：生成式方法vs判别式方法。过去判别式一直占上风，分割、检测、深度估计各有专用模型。

Vision Banana的逻辑是：如果一个模型能「创造」图像，它应该也「理解」图像。把所有视觉任务都变成图像生成任务，就能复用生成模型的强大表征能力。

这不是第一次有人这么想，但之前的尝试要么效果差，要么需要加专门模块。Vision Banana证明了不需要——轻量微调就够了。

---

💎 深挖

来看关键数据对比：

任务	Vision Banana	专用模型	差距
Cityscapes分割	mIoU 0.699	SAM 3: 0.652	+4.7pp
深度估计	δ1 0.882	UniK3D: 0.822	+6pp
表面法向量	17.4°	Lotus-2: 17.8°	-0.4°

一个模型在多个任务上都接近或超越专用模型。

方法的关键是「重新参数化」。分割的输出是一张mask图，深度的输出是一张灰度图，法向量是一张RGB图。所有输出都变成图像生成任务，模型只要学会「按要求画图」。

训练数据配比也很重要：原始生成数据中只需混入0.5%-5%的视觉任务数据。不是全量微调，是轻量适配。

对视觉研究的影响：这条路线如果成立，分割、深度估计这些专用模型的价值会被压缩。以后可能不需要为每个任务训练专用模型，一个通用的视觉基础模型就够了。

但也要注意，Vision Banana是在Nano Banana Pro这个强生成模型基础上微调的。底座能力决定了上限。如果你的生成模型不够强，效果会打折扣。

什么情况不建议追：如果只有小规模数据和算力，从零训练生成模型再微调的成本可能高于直接训练专用模型。如果对实时性要求高，生成模型的推理速度一般慢于判别式模型。