DeepMind率先提出CoF：视频模型有自己的思维链

主要观点总结

DeepMind提出新的视频模型概念“帧链CoF（chain-of-frames）”，旨在实现视频模型的通用视觉理解能力。通过测试发现，以Veo 3为代表的视频模型具备四大能力：感知能力、建模能力、操控能力以及跨时空视觉推理能力。DeepMind对通用视频模型充满信心，认为未来“通才”会取代“专才”。

关键观点总结

关键观点1: DeepMind提出帧链CoF概念

DeepMind类比语言模型中的CoT提出了视频模型的CoF概念，使视频模型能够在时间和空间上进行推理。

关键观点2: Veo 3是通用视觉基础模型的代表

Veo 3具备通用视觉理解能力，可以零样本解决视觉任务，并且发展速度快，有望在未来成为机器视觉的通用基础模型。

关键观点3: Veo 3具备四大能力

测试发现Veo 3具备感知能力、建模能力、操控能力和跨时空视觉推理能力，其中跨时空视觉推理能力体现了CoF的概念。

关键观点4: 通用视觉模型的未来发展

DeepMind对通用视频模型充满信心，认为未来通才会取代专才。并且，通过多尝试策略、结合推理时缩放、RLHF指令微调等技术，以及成本下降等因素，视频模型的发展前景被看好。