DeepMind präsentiert „Frame Chain“: Veo 3 zeigt universelle visuelle Intelligenz

Google DeepMind 最新研究揭示了生成式视频模型 Veo 3 在零样本学习与视觉推理方面的突破性潜力，提出“帧链”（Chain-of-Frames, CoF）作为视频模型类比语言模型“思维链”（Chain-of-Thought, CoT）的核心机制。该研究通过对超过18,000个生成视频的系统分析，证明 Veo 3 在未进行任何任务微调的情况下，能够完成从基础感知到复杂动态推理的多样化任务，标志着生成式视频模型正迈向机器视觉领域的通用基础模型。研究论文《Video models are zero-shot learners and reasoners》指出，正如大型语言模型（LLM）通过大规模预训练实现了跨任务泛化，Veo 3 也展现出类似的“涌现能力”，其本质在于视频生成过程天然具备时间序列的逐步演化特性——即“帧链”：每一帧的生成都是对前一帧状态的逻辑延续，形成可视化的推理路径。 研究构建了四层能力评估框架：感知、建模、操控与推理。在感知层面，Veo 3 展现出无需显式训练即可完成图像分割、边缘检测、关键点定位、超分辨率、去模糊与去噪等经典视觉任务的能力，暗示未来可能替代多个专用模型。在建模层面，模型展现出对物理规律的深层理解，包括刚体与柔体运动、表面交互、浮力与空气阻力等，并能合理模拟“视觉叠叠乐”等动态场景。它还能识别物体功能（如可放入背包的物品），并保持跨时间与镜头变化的世界状态一致性。操控能力方面，Veo 3 可执行零样本图像编辑，如背景移除、风格迁移、图像上色与修复，甚至根据手绘草图生成协调场景或将自拍转化为专业头像。在推理层面，“帧链”机制尤为关键：在5×5迷宫求解任务中，Veo 3 成功率达78%（pass@10），远超前代模型Veo 2的14%。其通过逐帧生成红色方块沿路径移动的动态过程，实现从起点到终点的规划推理，而静态图像模型难以处理此类动态任务，语言模型则在图像输入理解上存在瓶颈。 研究还对比了 Nano Banana（图像模型）与 Gemini 2.5 Pro（语言模型），验证了视频模型在处理过程性任务上的独特优势。尽管当前Veo 3在多数任务上仍逊于专用模型，但这一差距与早期LLM（如GPT-3）与微调模型的差距相似。更重要的是，研究指出，生成视频的计算成本虽高，但参考LLM发展历史，其推理成本正以每年9至900倍的速度下降。这预示着通用视频模型将如LLM一样，最终凭借强大泛化能力与成本下降，取代大量专用视觉工具。 业内专家认为，该研究不仅是技术突破，更是一次范式跃迁。它确立了视频生成模型作为“视觉大脑”的潜力，推动计算机视觉从“任务导向”向“指令驱动”演进。DeepMind 作为全球领先的AI研究机构，长期致力于通用人工智能探索，其在语言、视觉与强化学习领域的协同布局，使Veo 3成为通往通用智能的重要一步。随着算力提升与训练效率优化，具备“帧链”能力的视频模型有望在医疗影像分析、自动驾驶模拟、虚拟助手交互等领域实现深度应用，开启人机交互的新篇章。