Google DeepMind 近日发表了一篇论文世界杯体育，详备先容了其生成式视频模子 Veo 3 所展现出的“零样本”学习与推理本事，并提议了一个与大型言语模子中的“想维链”相对应的中枢办法——“帧链”（CoF，Chain-of-Frames）。扣问团队通过对跳跃 18,000 个生成视频的分析，系统地展示了 Veo 3 在未经过任何特定任务微调的情况下，处治从基础感知到复杂视觉推理等一系列问题的后劲。这篇题为《视频模子是零样本学习者和推理者》（Video models are zero-shot learners and reasoners）的论文，明确提议了一个论点：正如 LLM（Large Language Model，大型言语模子）谐和了当然言语处理领域，生成式视频模子正走在成为机器视觉领域通用基础模子的谈路上。

在往常几年中，当然言语处理（NLP，Natural Language Processing）领域资历了一场紧要的变革，从为翻译、选录、问答等每个任务构建挑升的“定制模子”，转向了由一个谐和的、可通过教唆（prompting）处治各种化问题的 LLM 主导的时期。如今的机器视觉领域，在某种进程上正在复现 NLP 变革前的气象：咱们领有在特定任务上进展超卓的模子，举例用于物体检测的 YOLO 系列或用于图像分割的 Segment Anything，但穷乏一个仅通过指示就能处治绽放式视觉问题的通用模子。DeepMind 的扣问东谈主员觉得，促使 LLM 本事败露的中枢成分——即在汇注领域的数据集上检会大型生成模子——雷同适用于现代的视频模子。Veo 3 的实验遵守，恰是为了考证这一判断。

此项扣问的亮点在于，它模仿了大型言语模子中广为东谈主知的“想维链”（CoT，Chain-of-Thought），并创造性地提议了一个视觉领域的平行办法——“帧链”（CoF，Chain-of-Frames）。想维链通过将复杂问题领悟为一系列中间推理步伐，并以文本形势迟缓生成，极地面增强了言语模子的逻辑推理本事。

DeepMind 指出，视频生成在实质上是一个逐帧哄骗变化的历程，这种时空上的序列生成，恰巧为视觉问题提供了一种内在的、次第渐进的处治决策，这即是“帧链”。言语模子主宰的是东谈主类发明的标记，而视频模子则径直在时候和空间这两个物理维度上哄骗调动。因此，帧链推理使得视频模子有后劲通过一步步生成画面，来处治需要多步有讨论和动态意会的复杂视觉任务。

为系统地评估 Veo 3 的本事，扣问团队构建了一个涵盖四个层级的本事框架：感知（Perception）、建模（Modeling）、操控（Manipulation）和推理（Reasoning）。在最基础的感知层面，Veo 3 展示了在莫得经过显式检会的情况下，完成一系列经典运筹帷幄机视觉任务的本事，包括图像分割、角落检测、关节点定位、超辩别率、盲去浑沌和去噪。这些“败露”出的本事，意味着视频模子改日可能取代当今好多需要挑升检会的视觉用具模子。

在感知之上是建摹本事，即意会全国开动的基本划定，尤其是直观物理。Veo 3 省略对刚体和柔体的动态、名义交互进行建模，并进展出对浮力、空气阻力、折射与反射等物理征象的意会。在一个模拟“视觉叠叠乐”（Visual Jenga）的任务中，模子省略以物理上合理的阵势移除场景中的物体。它还能意会物体功能，举例判断哪些物品不错被放进背包。此外，模子还能在时候和镜头移动中保捏对全国气象的挂念，这组成了其进行更复杂操作的基础。

在此之上，即是模子的操控本事。Veo 3 省略现实各种的零样本图像剪辑任务，如布景移除、立场迁徙、图像上色和勾引。它还能证实涂鸦指示剪辑图像，将不同物体合成为一个合营的场景，或将一张自拍肖像疗养为专科的商务头像。这种对场景进行合理修改的本事，使其不错遐想复杂的交互，模拟灵敏的物体操控，举例演示奈何卷一个墨西哥卷饼，或让机器东谈主手臂像东谈主类一样当然地提起锤子。

这一系列本事的集成，最终赋予了模子进行视觉推理的本事。这恰是“帧链”机制施展关节作用的领域。在迷宫求免除务中，Veo 3 通过逐帧生成红色方块在白色旅途上的移动，最终停在绿色特别，从而完成任务。其在 5x5 网格迷宫上的胜仗率（pass@10）达到了 78%，远高于其前代模子 Veo 2 的 14%。

扣问还将其与最近大热的图像模子 Nano Banana 和言语模子 Gemini 2.5 Pro 进行了相比。遵守自大，静态的图像模子难以处治需要历程的迷宫任务，而言语模子诚然在处理 ASCII 文本迷宫时进展优异，但在径直意会图像输入时则靠近顾惜。这也突显出视频模子通过“帧链”进行迟缓视觉推理的专有上风。除了迷宫，Veo 3 还能完成视觉序列补全、流畅匹配心境、处治肤浅的数独谜题和视觉对称性补全等任务。

不外，团队示意，当今 Veo 3 在好多任务上的进展仍不足开端进的专用模子，这与 LLM 发展的早期阶段（如 GPT-3 与精调模子的对比）至极肖似。

此外，生成视频的运筹帷幄资本也曾相称崇高。但论文征引历史数据指出，LLM 的推理资本正以每年 9 到 900 倍的速率着落，早期被觉得“部署资本过高”的通用模子，最终凭借其通用性和资本的快速着落取代了巨额专用模子。淌若 NLP 的发展轨迹可手脚参考，雷同的趋势也将在视觉领域演出。

参考良友：

1. https://arxiv.org/pdf/2509.20328

运营/排版：何晨龙

01/“AI科学家”登顶Nature：MIT团队开发多模态AI平台，全程无东谈骨搅扰90天即发现高效电催化剂

02/联发科，用天玑9500界说了个东谈主算力的改日标的

03/华理团队皆集打造晶圆级光刻胶千里积工夫，精确示寂薄膜厚度至纳米级，胜仗通过下一代光刻考证

04/Hinton与LeCun“同台扶植”：英国AI初创打造材料界搜索引擎，称能将材料发现提速十倍

05/科学家处治X射线内窥成像难题，研制1600像素光纤阵列探伤器，可穿透东谈主体及时不雅察肿瘤