DeepMind 重磅推出 “幀鏈” 概念：視頻模型或將實現全面視覺理解

近日，DeepMind 在其最新論文中提出了一個顛覆性的概念 ——“幀鏈”（CoF，chain-of-frames），這標誌着視頻生成模型的發展又邁出了重要一步。這個概念與之前的 “鏈式思維”(CoT)類似，後者讓語言模型能夠進行符號推理，而 “幀鏈” 則使得視頻模型能夠在時間和空間上進行推理，彷彿賦予了視頻生成模型一種獨立的思維能力。

在論文中，DeepMind 的研究團隊提出了一個大膽的想法:視頻生成模型是否能像當前的大語言模型（LLM）一樣，具備通用的視覺理解能力，能夠處理各種視覺任務而不需專門訓練?目前，機器視覺領域仍在傳統階段，各種任務需要不同的模型來處理，例如物體分割、物體檢測等，每次換任務都要重新調教模型。

爲了驗證這個想法，研究團隊使用了一種簡單粗暴的方法:只給模型提供一個初始圖像和一段文字指令，看看它能否生成一個720p 分辨率、時長8秒的視頻。這種方法與大語言模型通過提示進行任務的方式類似，目的是測試模型的原生通用能力。

結果顯示，DeepMind 的 Veo3模型在多個經典視覺任務上表現優異，顯示出它具備感知能力、建模能力和操控能力。更令人驚訝的是，它在進行跨時空視覺推理時表現出色，成功規劃了一系列路徑，從而能夠解決複雜的視覺難題。

總體來看，DeepMind 團隊總結了以下三大核心結論:

普遍適應性強:Veo3能夠解決許多未接受專門訓練的任務，展現出強大的通用能力。

視覺推理初現雛形:通過分析生成的視頻，Veo3顯示出了類似於 “幀鏈” 的視覺推理能力，逐步建立起對視覺世界的理解。

快速發展趨勢明顯:儘管特定任務模型表現更優，Veo3的能力正在迅速提升，預示着未來可能出現更強大的通用視覺模型。

未來，DeepMind 認爲，通用的視頻模型將可能取代專用模型，就像早期的 GPT-3最終成爲強大的基礎模型一樣。隨着成本的逐步降低，視頻生成模型的廣泛應用指日可待，預示着機器視覺的新時代正在向我們走來。

論文地址：https://papers-pdfs.assets.alphaxiv.org/2509.20328v1.pdf