Google DeepMind hat GenCeption veröffentlicht – ein Modell, das auf dem vortrainierten Video-Generierungsmodell Wan2.1 basiert und sich in der Tiefeinschätzung, Segmentierung sowie der 3D-Pose-Einschätzung mit nahezu gleichem oder sogar besserm Leistungsniveau hervortut. Für den Trainingsprozess werden lediglich 7.500 synthetische Videos benötigt, was deutlich weniger ist als bei herkömmlichen Modellen, und das Modell kann auf reale Mehrpersonenszenarien übertragen werden. Die Inferenzgeschwindigkeit stellt weiterhin eine Herausforderung dar: Für ein Video mit 81 Frames dauert die Verarbeitung etwa 6 bis 10 Sekunden.