Vision Banana ist ein von Google DeepMind entwickeltes Modell, das auf dem Prinzip basiert, Image-Generation-Pretraining als universelle Grundlage für vielfältige Computer-Vision-Aufgaben zu nutzen – analog zu GPT-Pretraining in der NLP-Welt. Das Modell wird per Instruktions-Feinabstimmung (Instruction Tuning) auf spezifische Perception-Tasks ausgerichtet, ohne dass für jede Aufgabe ein separates Spezialmodell trainiert werden muss. Laut den veröffentlichten Benchmark-Ergebnissen übertrifft Vision Banana SAM 3 bei der Segmentierungsaufgabe und Depth Anything V3 bei der metrischen Tiefenschätzung – zwei Modelle, die bislang als State-of-the-Art in ihren jeweiligen Teilbereichen galten. Der zentrale Forschungsanspruch des Papers lautet, dass generatives Pretraining reichhaltigere visuelle Repräsentationen erzeugt als diskriminative Vortrainingsmethoden. Damit reiht sich Vision Banana in eine wachsende Debatte über die Rolle von generativen Modellen als Backbone für Perception-Systeme ein, die bislang von Ansätzen wie ViT oder CLIP dominiert wird. Google DeepMind positioniert den Ansatz als potenziellen Paradigmenwechsel für Computer-Vision-Pipelines, der spezialisierte Einzel-Modelle mittelfristig konsolidieren könnte.