作者：Ziyu Guo等

解讀：AI生成未來

引言

近年來，以 Veo、Sora 等為代表的視頻生成模型展現(xiàn)出驚人的生成能力，能夠合成高度逼真、時間連續(xù)的動態(tài)畫面。這些進展暗示，模型在視覺內(nèi)容生成之外，或許已開始具備對物理世界結(jié)構(gòu)與規(guī)律的潛在理解。

值得注意的是，Google 最新研究指出，諸如 Veo-3 等模型正在顯現(xiàn)出超越純粹生成的“涌現(xiàn)能力”，例如感知建模、動態(tài)預(yù)測以及推理能力。

由此催生出一個與語言模型“思維鏈”（Chain-of-Thought, CoT）相對應(yīng)的新概念——幀鏈推理（Chain-of-Frame, CoF）。

其核心思想在于：視頻模型通過逐幀生成過程，構(gòu)建連貫的視覺演化，從而體現(xiàn)思維與推理的過程。然而，一個關(guān)鍵問題仍懸而未決——這些模型是否真的具備零樣本推理（Zero-Shot Reasoning）能力？還是僅僅在模仿訓(xùn)練數(shù)據(jù)中的表層模式？

為驗證這一點，來自香港中文大學(xué)、北京大學(xué)、東北大學(xué)等機構(gòu)的研究團隊開展了系統(tǒng)研究，對 Veo-3 等模型的零樣本推理潛能進行全面評估，并提出了涵蓋空間、幾何、物理、時間等 12 個維度的綜合基準(zhǔn)——MME-CoF。

什么是 Chain-of-Frame（CoF）？

“幀鏈推理（CoF）”可以視作語言中“思維鏈”（CoT）的視覺化形式：

CoT：通過逐步生成文本展示思考與推理路徑。CoF：通過逐幀生成畫面，以動態(tài)演化的方式呈現(xiàn)推理與決策過程。

這種方式使模型不僅輸出結(jié)果，更在生成的時間維度上“展示”其思考軌跡。

12 項推理挑戰(zhàn)概覽

研究團隊圍繞 12 個推理維度構(gòu)建了系統(tǒng)測試，對 Veo-3 模型進行了實證評估。以下為部分典型任務(wù)摘要。

視覺細(xì)節(jié)推理（Visual Detail Reasoning）

目標(biāo)：檢測模型保持細(xì)粒度視覺屬性（顏色、紋理）與空間關(guān)系的能力。

表現(xiàn)：對顯著、易識別物體表現(xiàn)較好。

局限：當(dāng)目標(biāo)較小、被遮擋或背景復(fù)雜時，模型易偏離任務(wù)目標(biāo)或生成風(fēng)格化偏差。

視覺追蹤推理（Visual Trace Reasoning）

目標(biāo)：評估模型在動作序列中維持因果連續(xù)性的能力。

表現(xiàn)：在簡單任務(wù)中能生成連貫的短時序路徑。

局限：長時序或高邏輯依賴任務(wù)中，模型難以保持連貫因果關(guān)系。

物理推理（Physics-based Reasoning）

目標(biāo)：測試模型是否理解重力、碰撞、摩擦等物理規(guī)律。

表現(xiàn)：能生成短期合理的動態(tài)畫面。

局限：經(jīng)常違反物理約束（如能量守恒），僅在“模仿”物理而非真正推理。

真實世界空間推理（Real-World Spatial Reasoning）

目標(biāo)： 測試模型在視角變化下保持空間一致性的能力。

表現(xiàn)： 簡單場景中能維持基本的方向與空間結(jié)構(gòu)。

局限： 在復(fù)雜多視角任務(wù)中常出現(xiàn)空間錯位或漂移。

3D 幾何推理（3D Geometry Reasoning）

目標(biāo)： 評估模型在立體折疊、旋轉(zhuǎn)與重構(gòu)任務(wù)中的結(jié)構(gòu)理解。

表現(xiàn)： 在單步操作中具備一定三維感知。

局限： 復(fù)雜組合變換時易崩壞，缺乏穩(wěn)定幾何一致性。

2D 幾何推理（2D Geometry Reasoning）

目標(biāo)： 檢驗?zāi)Ｐ驮谄矫鏄?gòu)圖與形狀關(guān)系中的精確度。

表現(xiàn)： 能識別并繪制基礎(chǔ)幾何關(guān)系。

局限： 更傾向生成“好看”的圖形而非“正確”的幾何，易出現(xiàn)邏輯順序錯誤。

其他六個推理維度概覽

除上述6項外，其余6個維度同樣揭示了 Veo-3 的限制：

旋轉(zhuǎn)推理（Rotation Reasoning）：小角度旋轉(zhuǎn)可近似實現(xiàn)，大角度下結(jié)構(gòu)崩壞。

圖表推理（Table & Chart Reasoning）：可模仿局部視覺模式，但缺乏對數(shù)值關(guān)系的真實理解。

物體計數(shù)（Object Counting Reasoning）：在靜態(tài)場景下表現(xiàn)良好，但動態(tài)環(huán)境中常出現(xiàn)漏數(shù)或重復(fù)。

GUI 推理（GUI Reasoning）：能生成點擊或拖動動作，但對操作目的與邏輯缺乏認(rèn)知。

具身推理（Embodied Reasoning）：能識別物體位置與動作，但不遵守環(huán)境規(guī)則，偶有“作弊式”生成。

醫(yī)學(xué)推理（Medical Reasoning）：在放大或觀察局部細(xì)節(jié)時具備表面能力，但無法保持影像邏輯一致，易出現(xiàn)結(jié)構(gòu)性錯誤。MME-CoF：首個視頻推理基準(zhǔn)

研究團隊據(jù)此提出 MME-CoF，這是首個專門用于量化視頻模型推理能力的標(biāo)準(zhǔn)化評測體系。其主要特征包括：

首個系統(tǒng)化視頻推理評估框架；覆蓋 12 個維度；將抽象的推理過程轉(zhuǎn)化為視頻生成挑戰(zhàn)，以迫使模型在視覺上展示“幀鏈思考”。

基于 MME-CoF 基準(zhǔn)，研究團隊對多個主流模型進行了量化評測（由 Gemini-2.5-Pro 評分，滿分 4 分）。結(jié)果顯示：

整體表現(xiàn)較低：多數(shù)模型平均得分不足 2 分，推理能力仍有限。優(yōu)勢差異顯著：Sora-2 在物理、具身與醫(yī)學(xué)推理中表現(xiàn)相對突出；Veo-3 在真實空間推理上具優(yōu)勢；Seedance-1.0-Pro 在旋轉(zhuǎn)與三維幾何任務(wù)中略勝一籌�？傮w趨勢：各模型均在特定方向具備偏好性，但仍停留在“模式重現(xiàn)”層面，尚未形成真正的邏輯推理能力。

結(jié)論：推理，還是表演？

通過對 Veo-3 等模型的實證分析，研究團隊得出如下結(jié)論：

缺乏真正的零樣本推理：當(dāng)前視頻模型更多依賴數(shù)據(jù)模式，而非自主邏輯推演。生成強 ≠ 推理強：高質(zhì)量的畫面并不代表深層理解。注重表象，忽視因果：生成結(jié)果“看似合理”，但常違背邏輯或物理規(guī)律。視頻模型可作為視覺推理系統(tǒng)的重要模塊，與語言或邏輯模型結(jié)合，推動多模態(tài)智能邁向真正的“通用理解”。

總體來看，本研究為學(xué)術(shù)界構(gòu)建了一個系統(tǒng)且可驗證的實證評估框架，清晰揭示了視頻生成模型在從“內(nèi)容生成”邁向“邏輯推理”，并邁向真正“通用視覺智能”過程中仍需跨越的核心瓶頸。

參考文獻

[1] Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark

       原文標(biāo)題 : 視頻模型在真推理還是“演”推理？港中文等提出新基準(zhǔn)拷問:Chain-of-Frame到底是真是假？