导读： 作者：Ziyu Guo等解读：AI生成未来引言近年来，以 Veo、Sora 等为代表的视频生成模型展现出惊人的生成能力，能够合成高度逼真、时间连续的动态画面。这些进展暗示，模型在视觉内容生成之外，或许已开始具备对物理世界结构与规律的潜在理解。值得注意的是，Google 最新研究指出，诸如 Veo-3...

作者：Ziyu Guo等

解读：AI生成未来

引言

近年来，以 Veo、Sora 等为代表的视频生成模型展现出惊人的生成能力，能够合成高度逼真、时间连续的动态画面。这些进展暗示，模型在视觉内容生成之外，或许已开始具备对物理世界结构与规律的潜在理解。

值得注意的是，Google 最新研究指出，诸如 Veo-3 等模型正在显现出超越纯粹生成的“涌现能力”，例如感知建模、动态预测以及推理能力。

由此催生出一个与语言模型“思维链”（Chain-of-Thought, CoT）相对应的新概念——帧链推理（Chain-of-Frame, CoF）。

其核心思想在于：视频模型通过逐帧生成过程，构建连贯的视觉演化，从而体现思维与推理的过程。然而，一个关键问题仍悬而未决——这些模型是否真的具备零样本推理（Zero-Shot Reasoning）能力？还是仅仅在模仿训练数据中的表层模式？

为验证这一点，来自香港中文大学、北京大学、东北大学等机构的研究团队开展了系统研究，对 Veo-3 等模型的零样本推理潜能进行全面评估，并提出了涵盖空间、几何、物理、时间等 12 个维度的综合基准——MME-CoF。

什么是 Chain-of-Frame（CoF）？

“帧链推理（CoF）”可以视作语言中“思维链”（CoT）的视觉化形式：

CoT：通过逐步生成文本展示思考与推理路径。CoF：通过逐帧生成画面，以动态演化的方式呈现推理与决策过程。

这种方式使模型不仅输出结果，更在生成的时间维度上“展示”其思考轨迹。

12 项推理挑战概览

研究团队围绕 12 个推理维度构建了系统测试，对 Veo-3 模型进行了实证评估。以下为部分典型任务摘要。

视觉细节推理（Visual Detail Reasoning）

目标：检测模型保持细粒度视觉属性（颜色、纹理）与空间关系的能力。

表现：对显著、易识别物体表现较好。

局限：当目标较小、被遮挡或背景复杂时，模型易偏离任务目标或生成风格化偏差。

视觉追踪推理（Visual Trace Reasoning）

目标：评估模型在动作序列中维持因果连续性的能力。

表现：在简单任务中能生成连贯的短时序路径。

局限：长时序或高逻辑依赖任务中，模型难以保持连贯因果关系。

物理推理（Physics-based Reasoning）

目标：测试模型是否理解重力、碰撞、摩擦等物理规律。

表现：能生成短期合理的动态画面。

局限：经常违反物理约束（如能量守恒），仅在“模仿”物理而非真正推理。

真实世界空间推理（Real-World Spatial Reasoning）

目标： 测试模型在视角变化下保持空间一致性的能力。

表现： 简单场景中能维持基本的方向与空间结构。

局限： 在复杂多视角任务中常出现空间错位或漂移。

3D 几何推理（3D Geometry Reasoning）

目标： 评估模型在立体折叠、旋转与重构任务中的结构理解。

表现： 在单步操作中具备一定三维感知。

局限： 复杂组合变换时易崩坏，缺乏稳定几何一致性。

2D 几何推理（2D Geometry Reasoning）

目标： 检验模型在平面构图与形状关系中的精确度。

表现： 能识别并绘制基础几何关系。

局限： 更倾向生成“好看”的图形而非“正确”的几何，易出现逻辑顺序错误。

其他六个推理维度概览

除上述6项外，其余6个维度同样揭示了 Veo-3 的限制：

旋转推理（Rotation Reasoning）：小角度旋转可近似实现，大角度下结构崩坏。

图表推理（Table & Chart Reasoning）：可模仿局部视觉模式，但缺乏对数值关系的真实理解。

物体计数（Object Counting Reasoning）：在静态场景下表现良好，但动态环境中常出现漏数或重复。

GUI 推理（GUI Reasoning）：能生成点击或拖动动作，但对操作目的与逻辑缺乏认知。

具身推理（Embodied Reasoning）：能识别物体位置与动作，但不遵守环境规则，偶有“作弊式”生成。

医学推理（Medical Reasoning）：在放大或观察局部细节时具备表面能力，但无法保持影像逻辑一致，易出现结构性错误。MME-CoF：首个视频推理基准

研究团队据此提出 MME-CoF，这是首个专门用于量化视频模型推理能力的标准化评测体系。其主要特征包括：

首个系统化视频推理评估框架；覆盖 12 个维度；将抽象的推理过程转化为视频生成挑战，以迫使模型在视觉上展示“帧链思考”。

基于 MME-CoF 基准，研究团队对多个主流模型进行了量化评测（由 Gemini-2.5-Pro 评分，满分 4 分）。结果显示：

整体表现较低：多数模型平均得分不足 2 分，推理能力仍有限。优势差异显著：Sora-2 在物理、具身与医学推理中表现相对突出；Veo-3 在真实空间推理上具优势；Seedance-1.0-Pro 在旋转与三维几何任务中略胜一筹。总体趋势：各模型均在特定方向具备偏好性，但仍停留在“模式重现”层面，尚未形成真正的逻辑推理能力。

结论：推理，还是表演？

通过对 Veo-3 等模型的实证分析，研究团队得出如下结论：

缺乏真正的零样本推理：当前视频模型更多依赖数据模式，而非自主逻辑推演。生成强 ≠ 推理强：高质量的画面并不代表深层理解。注重表象，忽视因果：生成结果“看似合理”，但常违背逻辑或物理规律。视频模型可作为视觉推理系统的重要模块，与语言或逻辑模型结合，推动多模态智能迈向真正的“通用理解”。

总体来看，本研究为学术界构建了一个系统且可验证的实证评估框架，清晰揭示了视频生成模型在从“内容生成”迈向“逻辑推理”，并迈向真正“通用视觉智能”过程中仍需跨越的核心瓶颈。

参考文献

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

原文标题:视频模型在真推理还是“演”推理？港中文等提出新基准拷问:Chain-of-Frame到底是真是假？