Modelos de Geração de Vídeo são Aprendizes de Visão de Propósito Geral

arXiv:2607.09024v1 Tipo de Anúncio: novo Resumo: Impulsionado pela previsão do próximo token, o PLN deixou de usar modelos específicos para cada tarefa e passou a adotar poderosos modelos de fundação generalistas. Qual seria, então, o catalisador equivalente necessário para alcançar um modelo de propósito geral em visão computacional? Neste artigo, defendemos que a geração de texto para vídeo em larga escala serve como um forte paradigma de pré-treinamento para a visão computacional, fornecendo os priors espaço-temporais necessários, o alinhamento visão-linguagem e a escalabilidade exigidos para gen...