arXiv Thu batch; frozen video diffusion representations · P0 · 2026-07-11

Gen4U：它和通用视觉自监督的关系在于：系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder

高相关；详见方法、贡献和实验边界。

Gen4U: Unifying Video Generation and Understanding via Diffusion　arXiv Thu batch; frozen video diffusion representations　原文链接

编号2607.06856 优先级P0 类别arXiv Thu batch; frozen video diffusion representations 会议arXiv Thu batch; frozen video diffusion representations 方法系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder。高相关；详见方法、贡献和实验边界。

**Figureure 3 · : Mutual-kNN zero-shot video-text alignment for Veo3 (left) and Wan 2.**Figure 3: Mutual-kNN zero-shot video-text alignment for Veo3 (left) and Wan 2.2 (right) against Gemma-2-9b-it, compared to the best alignment obtained with V-WALT [Vélez et al., 2025] for reference. Note that as video generation models become more capable, their internal representations align more strongly with the underlying text captions (not provided to the models). See main text for a detailed discussion.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Gen4U 的方法或实验，请结合正文精读段落一起看。

**Figureure 4 · : Alignment between diffusion and discriminative representations using**Figure 4: Alignment between diffusion and discriminative representations using mutual k-NN metric. Remarkably, the intermediate activations of a strong model like Veo3 align not only with underlying semantics (captions) but also with the features of strong image and video models, suggesting their broad applicability.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Gen4U 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder。

方法拆解

系统探测视频 diffusion 中间层，并证明单次前向可作为跨任务视频 encoder

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。