核心观点 - DeepMind首次提出帧链（CoF）概念 类比语言模型中的思维链（CoT） 使视频模型具备跨时空视觉推理能力 [1][2][3] - Veo 3视频模型展现通用视觉理解潜力 零样本解决全链条视觉任务 被视为视觉推理领域的"GPT-3时刻" [4][5][6] - 视频模型正发展通用基础模型能力 未来可能取代专用模型 遵循"通用价值+成本下降"的发展路径 [25][26][27] 技术原理 - CoF框架使视频模型像语言模型用符号推理一样 实现时间和空间维度的视觉推理 [2][6] - 采用与LLM相同的提示词驱动方法 仅通过"初始图像+文字指令"生成8秒720p视频 无需特殊训练 [7][8] - 通过18384个视频测试验证 覆盖62项定性任务和7项定量任务 [23] 模型能力 - 感知能力：零样本处理基础任务（图像去模糊）和复杂任务（多目标中定位特定物体） [10][11] - 建模能力：理解物理规则（物体沉浮）和抽象关系（物体容纳关系） [13][14] - 操作能力：实现图像编辑（添加属性/背景）和3D模拟（姿态变换） [16] - 推理能力：在5×5迷宫任务中成功率78%（Veo 2仅14%）展现跨时空推理潜力 [19][21] 性能表现 - 相比前代Veo 2实现显著提升 迷宫任务成功率从14%升至78% [21][24] - 多尝试策略（pass@10）显著提升性能 且随尝试次数增加仍有上升空间 [25] - 特定任务仍落后专用模型（如边缘检测精度）但差距正快速缩小 [25] 发展前景 - 视频模型遵循LLM发展轨迹 类似GPT-3从专用模型转向通用基础模型的演进路径 [25] - 推理成本每年下降9-900倍（基于Epoch AI数据）成本问题将逐步解决 [25][26] - 结合推理时缩放和RLHF指令微调等技术 性能有望进一步提升 [25]