来自arxiv的最新研究提出了一种名为Vision Banana的通用视觉模型，该模型的核心创新在于将传统的视觉感知任务重新表述为图像生成问题。通过指令微调（instruction-tuning）的图像生成模型，Vision Banana能够在多种视觉任务上取得领先水平的结果，包括但不限于目标检测、语义分割、深度估计等。这一方法突破了传统视觉模型针对单一任务进行专门设计的局限，展示了生成式模型在通用视觉理解方面的巨大潜力。研究团队利用大规模多模态数据对模型进行训练，使其能够根据自然语言指令直接输出对应的视觉结果，从而实现了从“看”到“生成”的范式转变。该研究为构建更灵活、更通用的视觉AI系统提供了新思路，有望推动计算机视觉领域向更统一的模型架构发展。