量子位
·
DeepMind率先提出CoF：视频模型有自己的思维链
内容提要
DeepMind提出了“帧链”（CoF）概念，旨在赋予视频模型通用视觉理解能力。Veo 3模型通过简单提示生成视频，展现出感知、建模和操控能力，能够处理多种视觉任务。尽管在特定任务上不及专用模型，但其性能正在快速提升，未来有望成为机器视觉的“通用基础模型”。
关键要点
-
DeepMind提出了帧链CoF概念，旨在赋予视频模型通用视觉理解能力。
-
Veo 3模型通过简单提示生成视频，展现出感知、建模和操控能力。
-
Veo 3能够零样本解决多种视觉任务，未来有望成为机器视觉的通用基础模型。
-
视频生成模型与大语言模型（LLM）使用相同的底层逻辑，具备通用潜力。
-
Veo 3在感知、建模、操控和跨时空视觉推理方面表现出色。
-
尽管专用模型在特定任务上表现更优，但Veo 3的性能正在快速提升。
-
DeepMind认为未来通用模型将取代专用模型，视频模型的成本问题将逐步解决。
延伸解读
通用模型的潜力
DeepMind提出的Veo 3模型展现了通用视觉理解能力，能够在未经过专门训练的情况下完成多种视觉任务。这一特性使得Veo 3在未来有望成为机器视觉领域的基础模型，推动视觉智能的发展。
与专用模型的比较
尽管Veo 3在特定任务上仍不及专用模型，但其性能正在快速提升。随着技术进步，通用模型有可能逐步缩小与专用模型的差距，类似于早期大语言模型的发展历程。
成本问题的前景
当前视频生成模型的成本高于专用模型，但随着技术的进步和市场的成熟，成本有望逐步降低。历史上，通用模型在NLP领域的成功表明，视频模型也可能走上类似的道路。
延伸问答
什么是DeepMind提出的CoF概念？
CoF（帧链）是DeepMind提出的概念，旨在赋予视频模型通用视觉理解能力，类似于语言模型中的链式思维。
Veo 3模型有哪些主要能力？
Veo 3模型具备感知、建模、操控和跨时空视觉推理四大能力。
Veo 3与专用模型相比有什么优势？
尽管在特定任务上专用模型表现更优，但Veo 3的性能正在快速提升，未来有望成为通用基础模型。
DeepMind对未来视频模型的看法是什么？
DeepMind认为未来通用模型将取代专用模型，视频模型的成本问题将逐步解决。
Veo 3是如何进行视频生成的？
Veo 3通过简单提示生成视频，使用初始图和文字指令，无需专门训练即可完成任务。
Veo 3在视觉推理方面的表现如何？
Veo 3在视觉推理测试中表现出色，成功率达到78%，显示出视觉智能的雏形。
