2025 最后几天配资专业网，是时候来看点年度宝藏论文了。
比如，阿里最年轻 P10、Qwen 大模型技术负责人林俊旸最新转发了一篇名为《Video models are zero-shot learners and reasoners》的研究。
没错，就是谷歌 DeepMind 提出视频模型"思维链"CoF的那篇入选 ICCV 2025 的论文。
当时，这篇研究还给出了一个关键信号：视觉领域的" GPT 时刻"要来了。
该研究用 1.8 万组实验数据证明，视频模型正在跳出任务专属的局限，走上 LLM 的老路——
用一个模型，通过提示，完成几乎所有的视觉任务。
并且，推理过程还能被 CoF "演"出来。
从 NLP 到 CV
自然语言处理领域的 GPT 时刻，核心是实现了一个模型通吃所有。
在此之前，翻译、写作、问答等任务都各自有专属的模型，而 LLM 的出现，靠大规模数据训练和生成式架构，让零样本学习成为可能，模型通过文字提示就能完成各种各样的任务。
但计算机视觉领域却还一直深陷于这种碎片化的困境。
比如，要做目标检测得用 YOLO，做语义分割依赖 SAM，图像超分要找专门模型，3D 重建还得换另一套工具。
这些针对不同任务的模型架构差异很大，不仅开发成本高，还严重限制了视觉 AI 的泛化能力，导致视觉 AI 的进步一直是单点突破。
比如这个模型在分割任务上刷新 SOTA，另一个模型在检测任务上实现提速，却始终没能解决"多任务统一"的问题。
而这篇论文详解了谷歌 DeepMind 借鉴 LLM 的成功路径，让 Veo 3 成为了一个"视觉通才"。
通过大规模视频与文本数据的生成式训练，打通了视觉感知与语言理解的壁垒，让模型具备了跨任务的通用能力。
而且 Veo 3 完美复刻了 LLM 的零样本优势，面对没专门训练过的任务，只要用文字说清需求，模型就能直接输出结果，无需额外调参或数据微调。
这也正是说视觉 GPT 时刻到来的核心标志。
从生成视频到用视频思考
就像林俊旸提到的那样，这篇论文指出视频模型一个非常关键的变化在于——视频不再只是输出的形式，也开始体现推理的过程。
模型在生成视频的过程中，会逐步展开中间状态，这就让推理不再是完全不可见的黑箱。
论文中将这种现象称为Chain-of-Frames，也就是 CoF，类似于语言模型中的 CoT，只不过视频模型是通过连续生成的视频帧，把整个推理过程"演"出来。
模型在时间和空间中不断调整画面，用可见的变化替代抽象的符号推理。
因此，无论是解迷宫、做路径规划，还是进行规则外推，模型都不是一次性输出结果，而是在连续的视觉变化中逐步逼近正确解。
推理过程则被隐含地编码在视频序列之中，视频模型开始在过程中思考。
也正是这种"逐帧生成即推理"的方式，为通用性提供了基础。
因为模型不再围绕某一个具体任务去算结果，转而在统一的生成过程中，不断更新对场景状态的理解。
不同任务之间的差异，不再体现在模型结构或输出形式上，而是被压缩成了"生成过程中关注什么、如何继续生成"的差别。
这种框架下，分割、检测、编辑、路径规划等原本割裂的视觉任务，可以被统一到同一套生成机制中。模型始终做的只有一件事：生成下一帧视频。
在逐帧生成过程中，它自然完成了感知、推理与决策的协同，这就不再需要为每类任务单独设计模型或系统。
论文进一步观察到，在无需针对具体任务进行专门训练、也不引入额外监督的前提下，视频模型已经能够通过不同形式的提示，在多类视觉任务中展现出一定的零样本泛化能力。
也正因为如此，Veo 3 用感知、建模、操控、推理 4 大核心能力能搞定 62 种没学过的视觉任务。
现在经过 a16z 投资合伙人 Justine Moore 和林俊旸一提醒，回看这篇论文发现，视频模型在视觉领域的的突破，还真有点当年 LLM 颠覆 NLP 的味儿了……
论文地址：https://arxiv.org/abs/2509.20328
参考链接：https://x.com/venturetwins/status/2005330176977293743
— 欢迎 AI 产品从业者共建 —
� �「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。
一键关注 � � 点亮星标
科技前沿进展每日见配资专业网
富途优配提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
