AI Times –AI 时代，中年人倔强的记录

Video models are zero-shot learners and reasoners

论文总结：《Video models are zero-shot learners and reasoners》

基本信息

  • 标题：视频模型是零样本学习者和推理器
  • 作者：Robert Geirhos 等
  • 发表：arXiv, 2025年9月
  • 核心：首次系统性展示视频生成模型（Veo 3）作为通用视觉基础模型的潜力

核心观点

这篇论文提出了一个重要命题：像 Veo 3 这样的 视频生成模型不仅仅是视频生成器，它们正在演变为通用的视觉基础模型，具备强大的零样本学习和初步的视觉推理能力。

类比：就像 LLM 在文本任务上展现出的通用性一样，视频模型可能也在走向类似的通用视觉理解之路。

主要实验与发现

论文测试了 Veo 3 在 10+ 个不同视觉任务上的表现，这些任务都不是它明确训练过的：表格

复制

任务类别具体任务能力体现
视觉理解语义分割、边缘检测、深度估计、法向量估计理解图像的语义结构和几何信息
物理理解判断物体是否易碎/可滚动/可拉伸从视觉外观推断物理属性
功能理解识别物体可供性（affordance）理解物体的功能和潜在用途
视觉操作图像编辑（替换/移除对象）、风格转换精确操控视觉内容
物理模拟模拟工具使用（剪草、敲钉子、榨汁）模拟动态物理交互
视觉推理迷宫求解、对称群判断基于视觉信息进行推理和决策

关键发现：

  1. 零样本能力惊人：无需微调，仅通过设计合适的提示词（prompt）就能完成上述任务
  2. 多模态理解：能将自然语言指令与视觉内容精确对应
  3. 初步推理能力：能进行简单的规划和决策（如迷宫路径规划）
  4. 一致性：生成结果稳定可靠，优于许多专用模型

方法

  • 核心技巧：“Video-as-Prompt”
    • 将输入图像作为第一帧
    • 通过文本提示描述期望的变换/分析/模拟
    • 让模型生成后续帧来实现任务

示例：

  • 分割任务：提示 “A person is segmenting the dog by painting over it in red”
  • 物理模拟：提示 “A pair of scissors is cutting through the grass”

影响与意义

  1. 范式转变：视频模型可能取代专用视觉模型，成为通用视觉理解引擎
  2. 新评估维度：需要重新思考如何评估”通用视觉模型”
  3. 应用前景：统一的模型可简化视觉AI系统开发

局限与未来工作

  • 定量评估有限：目前主要是定性展示，缺乏大规模定量评测
  • 计算成本：视频模型通常比专用模型更昂贵
  • 理论理解不足：对其内部机制的理解还很初步
  • 扩展性问题：能力是否随模型规模持续提升尚需验证

总结

这篇论文是一个概念性验证，它表明：

视频生成模型不仅仅是生成工具，它们正在成长为能够理解、分析和推理视觉世界的通用智能体。

这为未来统一的视觉-语言-动作模型铺平了道路，类似于 LLM 统一了 NLP 领域。如果这一趋势继续，我们可能会看到”视频模型时代的 ImageNet时刻”。

一、核心思想：视频模型的”GPT-3时刻”

1.1 历史类比与范式洞察

论文开篇就点破天机：NLP领域从专用模型（翻译、问答、摘要各用各的）到统一LLM的转变，源于三个简单要素：

  • 大规模模型（scale）
  • 生成式训练（generative objective）
  • 互联网级数据（web-scale data）

作者发现：视频模型正在复刻完全相同的配方。Veo、Sora等模型训练目标很简单——”根据文本生成下一帧”，但就像”预测下一个token”催生了通用语言理解，”预测下一帧”可能正在催生通用视觉理解。

核心论断：视频模型不是简单的”视频生成器”，而是视觉世界的通用模拟器。

1.2 极简方法论：Video-as-Prompt

整个研究的方法论惊人地简单：

输入图像 + 自然语言指令 → 生成视频 → 完成任务

这被称为”Video-as-Prompt”，它完美复刻了LLM的prompting范式。关键创新在于：将静态任务转化为时序过程，让模型通过”思考帧序列”来解决问题，作者称之为 Chain-of-Frames (CoF) ，直接类比LLM的CoT。

二、四层能力体系：从感知到推理

论文构建了精妙的能力金字塔，层层递进：

2.1 第一层：感知（Perception） ——理解视觉信息

这里展示了18个零样本任务，分三类：

经典CV任务（图10-16）

  • 边缘检测：在BIPEDv2数据集达到0.77 OIS，有趣的是，Veo生成的边缘比ground truth还精细（树叶轮廓、轮胎纹理），这反而降低了分数——不是模型弱，是数据集低估了其理解深度
  • 实例分割：LVIS数据集上mIoU达0.74，与专用编辑模型Nano Banana持平
  • 超分辨率/去噪/去模糊：完美复现经典CV任务，但完全无需监督

高级感知（图17-20）

  • 联合视觉搜索：在杂乱场景中找”红圈+蓝方块”的复合目标
  • 错觉理解：正确识别斑点狗错觉、猫轮廓、罗夏墨迹
  • 上下文理解：解析纹理-形状冲突图像

认知能力（图31）

  • 世界状态记忆：放大图像后仍记得画面外的物体位置
  • 物体恒常性：视角变化时保持物体身份

关键洞察：扩散模型的去噪目标天然包含结构理解，因此能涌现分割、边缘检测等能力。

2.2 第二层：建模（Modeling） ——构建世界模型

基于感知，Veo开始展现直觉物理和因果理解：

物理模拟（图21-24）

  • 可燃性：正确模拟火焰蔓延到易燃物
  • 浮力：木头浮、石头沉
  • 空气阻力：羽毛飘落比石头慢
  • 刚体/软体动力学：球弹跳、布料褶皱

物体交互（图25-26）

  • Visual Jenga：理解移除顺序的物理可行性
  • 背包打包：判断哪些物品能放入容器

光学与抽象（图27-30）

  • 折射/反射：准确渲染光学现象
  • 颜色混合：正确实现加色（光）和减色（颜料）
  • Omniglot字符：识别模式、生成变体、笔画解析

技术突破：Veo展现的物理理解不是基于符号规则，而是从海量视频中学习的视觉物理模拟。

2.3 第三层：操控（Manipulation） ——主动改变世界

这是将理解转化为行动的能力：

图像编辑（图32-38）

  • 精确分割与背景替换：将物体完美抠出
  • 风格转换：照片→素描→油画，保持内容一致
  • 涂鸦驱动编辑：根据简笔画修改图像
  • 文本变形：将文字变形成糖果、椒盐卷饼

3D感知与视角合成（图39-43）

  • 单图新视角合成：从一张图生成360°环绕视频
  • 物体变形：茶杯→老鼠的平滑变形
  • 自拍转专业照：改变光照、视角、景深

灵巧操作模拟（图44-45） 这是最惊艳的部分：

  • 开罐：双机械手协作拧开瓶盖
  • 抛接球：理解抛体运动、预判落点
  • 转健身球：复杂的手指协调运动
  • 工具使用：正确握锤、握剪刀

技术洞察：Veo的3D一致性远超传统扩散模型，这源于视频训练中的相机运动先验。

2.4 第四层：推理（Reasoning） ——跨时空的思维

这是论文的最高贡献，提出CoF框架：

空间推理（图48-52）

  • 图遍历：模拟水在管道中流动
  • 树搜索：可视化BFS过程
  • 形状匹配：理解几何约束
  • 路径连接：规划最短连接

时序规划（图53-58）

  • 数字排序：气泡按数值从小到大消失
  • 数独求解：4×4数独逐步填数字
  • 迷宫导航：红圈沿白路径到绿圈（5×5迷宫78%成功率）
  • 导航任务：机器人路径规划

规则学习（图59）

  • ARC风格任务：从3个示例中学习变换规则

核心创新：Chain-of-Frames 不仅是类比CoT，更是视觉推理的本质优势——LLM推理符号，视频模型推理时空。

三、定量实验：严谨的基准测试

3.1 实验规模

  • 总生成量：18,384个视频，62个定性任务+7个定量任务
  • 模型对比：Veo 3 vs Veo 2 vs Nano Banana vs Gemini 2.5 Pro
  • 评估指标：Best frame / Last frame / Pass@k

3.2 关键定量结果（图3-9）

感知任务

  • 边缘检测：Veo 3 (0.77) >> Veo 2 (0.57)，接近SOTA 0.90
  • 实例分割：Veo 3 (0.74) ≈ Nano Banana (0.73)，绿色背景比白色好（0.74 vs 0.66）——绿幕先验

操控任务

  • 物体提取：Veo 3达93%准确率，Veo 2仅~20%
  • 图像编辑：人类评估保真度0.63，Veo特别擅长保留纹理细节

推理任务

  • 迷宫求解：5×5网格 Veo 3 78% vs Veo 2 14%，代际提升巨大
  • 视觉对称：形状任务 Veo 3 88% >> Veo 2 44% >> Nano Banana 40%
  • 视觉类比：颜色变换68%，但反射/旋转低于随机——系统性偏差

3.3 推理时扩展（图61）

重要发现：pass@10 >> pass@1，表明并行采样+多数投票有效。但反射/旋转任务中，多数投票性能反而下降，说明模型有根深蒂固的错误偏差，这类似于LLM的”顽固幻觉”。

四、技术深度与工程洞察

4.1 提示工程科学（附录C）

论文做了系统性提示敏感性研究，在视觉对称任务上测试10个变体：

最佳提示：

“Instantly reflect this pattern along the central, vertical axis while keeping the existing colored pattern without modification.”

最差提示（性能差40-64个百分点）：

“A timelapse of a professional pixel artist drawing a symmetrical pattern…”

最佳实践原则：

  1. 明确性：指定”vertical axis”而非模糊”symmetrical”
  2. 负向约束：”keeping…without modification”防止无关修改
  3. 静态控制：”Static camera, no zoom, no pan, no dolly”
  4. 运动出口：用旋转色轮等”冻结”解决方案
  5. 速度控制：复杂任务用”step-by-step”，图像编辑用”instantly”

4.2 黑盒系统与LLM耦合

重要细节：Veo API包含LLM提示重写器，但作者验证了：

  • 纯Gemini 2.5 Pro无法可靠解决迷宫、对称等核心任务
  • 视觉推理能力来自视频模型本身，而非LLM

这解决了关键质疑：成果不是LLM的功劳。

4.3 成本与可扩展性

当前挑战：视频生成成本高昂。但作者引用Epoch AI数据：LLM推理成本每年下降9-900倍，视频模型将遵循同样曲线。

优化方向：

  • 推理时扩展：pass@k优于增大模型
  • 模型压缩：蒸馏、量化
  • 专用硬件：视频生成加速器

五、失败案例与能力边界（附录D）

论文罕见地详细展示了失败案例：

5.1 物理理解局限

  • 力/运动提示（图64）：无法遵循箭头标注的受力方向
  • 瓶颈问题（图75）：高尔夫球无法通过花瓶瓶颈——尺寸关系理解失败

5.2 组合推理失败

  • 文字搜索（图67）：无法识别”CHEAT”单词，只能高亮单个字母——符号组合能力弱
  • 路径连接（图66）：幻觉点亮所有路径
  • 拼图（图74）：碎片方向错误、完整性丢失

5.3 抽象推理挑战

  • 线性方程组（图69）：产生幻觉文本
  • ARC类任务（图59）：规则外推能力有限

核心局限：视频模型的推理是视觉模拟式而非符号代数式，因此在需要离散符号操作的组合任务上表现不佳。

六、深层意义与批判性思考

6.1 对AGI研究的意义

论文暗示： “预测下一帧”可能是通往物理世界理解的有效路径 。这与LeCun的”世界模型”理论不谋而合——通过自监督视频预测学习常识。

关键证据：Veo展现的物理直觉不是硬编码，而是从数据中涌现的。

6.2 与LLM类比的局限性

虽然CoF类比CoT很优雅，但存在本质差异：表格

复制

维度LLM (CoT)Video Model (CoF)
状态空间离散符号连续像素
正确性判断容易验证难以精确评估
组合性强（符号组合）弱（视觉混合）
可解释性可读取推理文本需分析帧序列

风险：视频模型的”推理”可能是高级模式匹配，而非真正的符号逻辑。

6.3 评估危机

当前视觉评估面临ImageNet时刻2.0：

  • 传统基准：针对专用模型设计，不适合生成式评估
  • 新需求：需要能评估视觉计划（visual plan）的标准
  • 主观性：人类评估成本高、一致性低

论文中的”best frame vs last frame”讨论正是这一危机的体现：我们不知道如何评估一个能生成过程的模型。

七、实践建议与未来路线图

7.1 对从业者的即刻行动

Python

复制

# Veo的Zero-shot模式模板
prompt = f"""
[任务描述：清晰、具体、无歧义]
[负向约束：保持...不变]
[运动出口：旋转色轮/进度条]
[相机控制：Static camera, no zoom, no pan, no dolly]
输入图像 + 此提示 → 生成视频 → 提取关键帧

效果提升技巧：

  • 简单任务用instantly，复杂任务用step-by-step
  • 添加”no glitches, no artifacts”减少伪影
  • 对3D任务加”realistic lighting and shadows”

7.2 研究路线图

短期（6-12个月）：

  1. 基准建设：开发视频模型评估套件（类似MMLU for vision）
  2. 提示优化：自动化提示搜索（DSPy for video）
  3. 混合架构：LLM规划 + 视频模型执行

中期（1-2年）：

  1. 推理时扩展：学习LLM的self-refine、MCTS
  2. 物理 grounding：将视觉推理与真实物理模拟结合
  3. 任务蒸馏：将Veo能力蒸馏到更小模型

长期（3-5年）：

  1. 通用视觉智能体：Veo + 机器人控制 = 通用机器人
  2. 因果推理：从相关性到因果性的跨越
  3. 世界模型：视频模型作为强化学习的世界模型

八、总结：视觉的”奥本海默时刻”

这篇论文不仅是技术报告，更是宣言书。它宣告：

“预测像素”正在像”预测token”一样，成为通向通用智能的普适密码。

就像2017年Transformer统一了NLP，2025年的视频模型可能正在统一机器视觉。Veo 3的零样本能力不是终点，而是黎明前的第一缕光。

最大的启示：通用性不需要复杂的架构设计，只需要规模 + 生成目标 + 数据。简单到令人难以置信，强大到改变一切。

已发布

分类

来自

song

标签：

评论

《“Video models are zero-shot learners and reasoners”》 有 1 条评论

  1. song 的头像
    song

    一、核心思想：视频模型的”GPT-3时刻”
    1.1 历史类比与范式洞察
    论文开篇就点破天机：NLP领域从专用模型（翻译、问答、摘要各用各的）到统一LLM的转变，源于三个简单要素：
    大规模模型（scale）
    生成式训练（generative objective）
    互联网级数据（web-scale data）
    作者发现：视频模型正在复刻完全相同的配方。Veo、Sora等模型训练目标很简单——”根据文本生成下一帧”，但就像”预测下一个token”催生了通用语言理解，”预测下一帧”可能正在催生通用视觉理解。
    核心论断：视频模型不是简单的”视频生成器”，而是视觉世界的通用模拟器。
    1.2 极简方法论：Video-as-Prompt
    整个研究的方法论惊人地简单：
    输入图像 + 自然语言指令 → 生成视频 → 完成任务
    这被称为”Video-as-Prompt”，它完美复刻了LLM的prompting范式。关键创新在于：将静态任务转化为时序过程，让模型通过”思考帧序列”来解决问题，作者称之为 Chain-of-Frames (CoF) ，直接类比LLM的CoT。
    二、四层能力体系：从感知到推理
    论文构建了精妙的能力金字塔，层层递进：
    2.1 第一层：感知（Perception） ——理解视觉信息
    这里展示了18个零样本任务，分三类：
    经典CV任务（图10-16）
    边缘检测：在BIPEDv2数据集达到0.77 OIS，有趣的是，Veo生成的边缘比ground truth还精细（树叶轮廓、轮胎纹理），这反而降低了分数——不是模型弱，是数据集低估了其理解深度
    实例分割：LVIS数据集上mIoU达0.74，与专用编辑模型Nano Banana持平
    超分辨率/去噪/去模糊：完美复现经典CV任务，但完全无需监督
    高级感知（图17-20）
    联合视觉搜索：在杂乱场景中找”红圈+蓝方块”的复合目标
    错觉理解：正确识别斑点狗错觉、猫轮廓、罗夏墨迹
    上下文理解：解析纹理-形状冲突图像
    认知能力（图31）
    世界状态记忆：放大图像后仍记得画面外的物体位置
    物体恒常性：视角变化时保持物体身份
    关键洞察：扩散模型的去噪目标天然包含结构理解，因此能涌现分割、边缘检测等能力。
    2.2 第二层：建模（Modeling） ——构建世界模型
    基于感知，Veo开始展现直觉物理和因果理解：
    物理模拟（图21-24）
    可燃性：正确模拟火焰蔓延到易燃物
    浮力：木头浮、石头沉
    空气阻力：羽毛飘落比石头慢
    刚体/软体动力学：球弹跳、布料褶皱
    物体交互（图25-26）
    Visual Jenga：理解移除顺序的物理可行性
    背包打包：判断哪些物品能放入容器
    光学与抽象（图27-30）
    折射/反射：准确渲染光学现象
    颜色混合：正确实现加色（光）和减色（颜料）
    Omniglot字符：识别模式、生成变体、笔画解析
    技术突破：Veo展现的物理理解不是基于符号规则，而是从海量视频中学习的视觉物理模拟。
    2.3 第三层：操控（Manipulation） ——主动改变世界
    这是将理解转化为行动的能力：
    图像编辑（图32-38）
    精确分割与背景替换：将物体完美抠出
    风格转换：照片→素描→油画，保持内容一致
    涂鸦驱动编辑：根据简笔画修改图像
    文本变形：将文字变形成糖果、椒盐卷饼
    3D感知与视角合成（图39-43）
    单图新视角合成：从一张图生成360°环绕视频
    物体变形：茶杯→老鼠的平滑变形
    自拍转专业照：改变光照、视角、景深
    灵巧操作模拟（图44-45）
    这是最惊艳的部分：
    开罐：双机械手协作拧开瓶盖
    抛接球：理解抛体运动、预判落点
    转健身球：复杂的手指协调运动
    工具使用：正确握锤、握剪刀
    技术洞察：Veo的3D一致性远超传统扩散模型，这源于视频训练中的相机运动先验。
    2.4 第四层：推理（Reasoning） ——跨时空的思维
    这是论文的最高贡献，提出CoF框架：
    空间推理（图48-52）
    图遍历：模拟水在管道中流动
    树搜索：可视化BFS过程
    形状匹配：理解几何约束
    路径连接：规划最短连接
    时序规划（图53-58）
    数字排序：气泡按数值从小到大消失
    数独求解：4×4数独逐步填数字
    迷宫导航：红圈沿白路径到绿圈（5×5迷宫78%成功率）
    导航任务：机器人路径规划
    规则学习（图59）
    ARC风格任务：从3个示例中学习变换规则
    核心创新：Chain-of-Frames 不仅是类比CoT，更是视觉推理的本质优势——LLM推理符号，视频模型推理时空。
    三、定量实验：严谨的基准测试
    3.1 实验规模
    总生成量：18,384个视频，62个定性任务+7个定量任务
    模型对比：Veo 3 vs Veo 2 vs Nano Banana vs Gemini 2.5 Pro
    评估指标：Best frame / Last frame / Pass@k
    3.2 关键定量结果（图3-9）
    感知任务
    边缘检测：Veo 3 (0.77) >> Veo 2 (0.57)，接近SOTA 0.90
    实例分割：Veo 3 (0.74) ≈ Nano Banana (0.73)，绿色背景比白色好（0.74 vs 0.66）——绿幕先验
    操控任务
    物体提取：Veo 3达93%准确率，Veo 2仅~20%
    图像编辑：人类评估保真度0.63，Veo特别擅长保留纹理细节
    推理任务
    迷宫求解：5×5网格 Veo 3 78% vs Veo 2 14%，代际提升巨大
    视觉对称：形状任务 Veo 3 88% >> Veo 2 44% >> Nano Banana 40%
    视觉类比：颜色变换68%，但反射/旋转低于随机——系统性偏差
    3.3 推理时扩展（图61）
    重要发现：pass@10 >> pass@1，表明并行采样+多数投票有效。但反射/旋转任务中，多数投票性能反而下降，说明模型有根深蒂固的错误偏差，这类似于LLM的”顽固幻觉”。
    四、技术深度与工程洞察
    4.1 提示工程科学（附录C）
    论文做了系统性提示敏感性研究，在视觉对称任务上测试10个变体：
    最佳提示：
    “Instantly reflect this pattern along the central, vertical axis while keeping the existing colored pattern without modification.”
    最差提示（性能差40-64个百分点）：
    “A timelapse of a professional pixel artist drawing a symmetrical pattern…”
    最佳实践原则：
    明确性：指定”vertical axis”而非模糊”symmetrical”
    负向约束：”keeping…without modification”防止无关修改
    静态控制：”Static camera, no zoom, no pan, no dolly”
    运动出口：用旋转色轮等”冻结”解决方案
    速度控制：复杂任务用”step-by-step”，图像编辑用”instantly”
    4.2 黑盒系统与LLM耦合
    重要细节：Veo API包含LLM提示重写器，但作者验证了：
    纯Gemini 2.5 Pro无法可靠解决迷宫、对称等核心任务
    视觉推理能力来自视频模型本身，而非LLM
    这解决了关键质疑：成果不是LLM的功劳。
    4.3 成本与可扩展性
    当前挑战：视频生成成本高昂。但作者引用Epoch AI数据：LLM推理成本每年下降9-900倍，视频模型将遵循同样曲线。
    优化方向：
    推理时扩展：pass@k优于增大模型
    模型压缩：蒸馏、量化
    专用硬件：视频生成加速器
    五、失败案例与能力边界（附录D）
    论文罕见地详细展示了失败案例：
    5.1 物理理解局限
    力/运动提示（图64）：无法遵循箭头标注的受力方向
    瓶颈问题（图75）：高尔夫球无法通过花瓶瓶颈——尺寸关系理解失败
    5.2 组合推理失败
    文字搜索（图67）：无法识别”CHEAT”单词，只能高亮单个字母——符号组合能力弱
    路径连接（图66）：幻觉点亮所有路径
    拼图（图74）：碎片方向错误、完整性丢失
    5.3 抽象推理挑战
    线性方程组（图69）：产生幻觉文本
    ARC类任务（图59）：规则外推能力有限
    核心局限：视频模型的推理是视觉模拟式而非符号代数式，因此在需要离散符号操作的组合任务上表现不佳。
    六、深层意义与批判性思考
    6.1 对AGI研究的意义
    论文暗示： “预测下一帧”可能是通往物理世界理解的有效路径 。这与LeCun的”世界模型”理论不谋而合——通过自监督视频预测学习常识。
    关键证据：Veo展现的物理直觉不是硬编码，而是从数据中涌现的。
    6.2 与LLM类比的局限性
    虽然CoF类比CoT很优雅，但存在本质差异：
    表格
    复制
    维度 LLM (CoT) Video Model (CoF)
    状态空间 离散符号 连续像素
    正确性判断 容易验证 难以精确评估
    组合性 强（符号组合） 弱（视觉混合）
    可解释性 可读取推理文本 需分析帧序列
    风险：视频模型的”推理”可能是高级模式匹配，而非真正的符号逻辑。
    6.3 评估危机
    当前视觉评估面临ImageNet时刻2.0：
    传统基准：针对专用模型设计，不适合生成式评估
    新需求：需要能评估视觉计划（visual plan）的标准
    主观性：人类评估成本高、一致性低
    论文中的”best frame vs last frame”讨论正是这一危机的体现：我们不知道如何评估一个能生成过程的模型。
    七、实践建议与未来路线图
    7.1 对从业者的即刻行动
    Python
    复制
    # Veo的Zero-shot模式模板
    prompt = f”””
    [任务描述：清晰、具体、无歧义]
    [负向约束：保持…不变]
    [运动出口：旋转色轮/进度条]
    [相机控制：Static camera, no zoom, no pan, no dolly]
    输入图像 + 此提示 → 生成视频 → 提取关键帧
    效果提升技巧：
    简单任务用instantly，复杂任务用step-by-step
    添加”no glitches, no artifacts”减少伪影
    对3D任务加”realistic lighting and shadows”
    7.2 研究路线图
    短期（6-12个月）：
    基准建设：开发视频模型评估套件（类似MMLU for vision）
    提示优化：自动化提示搜索（DSPy for video）
    混合架构：LLM规划 + 视频模型执行
    中期（1-2年）：
    推理时扩展：学习LLM的self-refine、MCTS
    物理 grounding：将视觉推理与真实物理模拟结合
    任务蒸馏：将Veo能力蒸馏到更小模型
    长期（3-5年）：
    通用视觉智能体：Veo + 机器人控制 = 通用机器人
    因果推理：从相关性到因果性的跨越
    世界模型：视频模型作为强化学习的世界模型
    八、总结：视觉的”奥本海默时刻”
    这篇论文不仅是技术报告，更是宣言书。它宣告：
    “预测像素”正在像”预测token”一样，成为通向通用智能的普适密码。
    就像2017年Transformer统一了NLP，2025年的视频模型可能正在统一机器视觉。Veo 3的零样本能力不是终点，而是黎明前的第一缕光。
    最大的启示：通用性不需要复杂的架构设计，只需要规模 + 生成目标 + 数据。简单到令人难以置信，强大到改变一切。

    回复

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注