DeepMind 最新研究提出了一项突破性理念——“帧链”（Chain-of-Frames, CoF），这一概念可视为视觉领域的“思维链”（CoT）。正如链式思维让大语言模型具备符号推理能力，帧链则赋予视频生成模型在时空维度上进行连贯推理的能力，仿佛为其注入了自主的视觉思维。
该团队在论文中抛出了一个极具挑战性的问题：视频模型是否也能像大型语言模型（LLM）那样，无需针对特定任务专门训练，就能完成多样化的视觉理解任务？当前的计算机视觉系统仍处于碎片化阶段，每项任务如目标检测、语义分割等都需要独立设计与训练模型，缺乏统一的通用性。
为验证这一设想，研究人员采用极简方式测试：仅输入一张初始图像和一段文字指令，要求模型自动生成一段分辨率为720p、时长8秒的视频。这种提示驱动的方式模仿了大模型的零样本推理机制，旨在挖掘视频模型内在的泛化潜力。
实验结果令人震惊：Veo3 模型在多项标准视觉任务中展现出卓越表现，不仅具备基础的感知与建模能力，还能对复杂场景进行动态操控。尤其在涉及跨时间与空间的视觉推理任务中，它能自主规划合理的动作路径，成功应对多步骤视觉难题。
Large Model Visual Question Answering Skill | 大模型视觉问答技能
下载
基于计算机视觉和大语言模型，对图像内容进行开放式问答，支持任意问题获得自然语言回答。
研究最终归纳出三大关键发现：
- 广泛的任务适应性：Veo3 能够处理大量未曾专门训练过的视觉任务，显示出接近通用视觉系统的潜力。
- 初步视觉推理能力：通过生成的视频序列分析，模型展现出类似“帧链”的推理过程，逐步构建对环境的理解。
- 快速进化趋势：尽管专用模型目前仍具优势，但 Veo3 的进步速度惊人，预示着通用视觉模型的时代可能即将到来。
DeepMind 预测，未来的通用视频模型或将逐步取代传统专用模型，正如 GPT-3 奠定了大语言模型的基础地位一样，新一代视觉模型有望成为多任务视觉智能的核心平台。
