DeepMind在其最新论文中提出了革命性的“帧链”（CoF，chain-of-frames）概念，为视频生成模型的发展开辟了新纪元。这一创新概念与先前的“链式思维”(CoT)异曲同工，后者赋予语言模型符号推理能力，而“帧链”则让视频模型能够在时空维度上实现推理，仿佛为视频生成模型注入了独立的思考能力。在论文中，DeepMind的研究团队提出了一个颠覆性的设想：视频生成模型是否能够像当前的大语言模型（LLM）一样，具备通用的视觉理解能力，无需针对特定任务进行专门训练？
目前，机器视觉领域仍处于传统阶段，各种视觉任务需要不同的模型来处理，如物体分割、物体检测等，每次更换任务都需要重新训练模型。为了验证这一设想，研究团队采用了一种简单直接的方法：仅提供模型一张初始图像和一段文字指令，观察它能否生成720p分辨率、时长8秒的视频。这种方法与大型语言模型通过提示进行任务的方式如出一辙，旨在测试模型的原生通用能力。
实验结果显示，DeepMind的Veo3模型在多个经典视觉任务上表现卓越，展现出强大的感知能力、建模能力和操控能力。更令人惊叹的是，该模型在进行跨时空视觉推理时表现出色，成功规划了一系列路径，从而能够解决复杂的视觉难题。总体而言，DeepMind团队总结了以下三大核心结论：
首先，普遍适应性强。Veo3能够解决许多未经专门训练的任务，展现出惊人的通用能力。其次，视觉推理初现雏形。通过分析生成的视频，Veo3显示出了类似于“帧链”的视觉推理能力，逐步建立起对视觉世界的理解。最后，快速发展趋势明显。尽管特定任务模型表现更优，Veo3的能力正在迅速提升，预示着未来可能出现更强大的通用视觉模型。
展望未来，DeepMind认为通用的视频模型将可能取代专用模型，就像早期的GPT-3最终成为强大的基础模型一样。随着成本的逐步降低，视频生成模型的广泛应用指日可待，预示着机器视觉的新时代正在向我们走来。论文地址：https://papers-pdfs.assets.alphaxiv.org/2509.20328v1.pdf