DeepMind Leads COF：视频模型有自己的思维链

婴儿床思考链的下一步是什么？ DeepMind提出了一个框架链COF。逐帧视频的生成类似于语言模型中的链条思维。除了链条思维（COT）外，还可以推断出具有符号的语言模型，“图片”（COF）允许视频模型随时间和空间推断。先前的观点来自我看到的最后一篇文章，类似于语言模型中的COT。他们首次提出了COF的概念。此外，通过众多测试，团队发现，由VIV 3代表的视频模型开发了一般的视觉理解能力。预计这将解决以零样本为零的“见”的完整链的视觉任务，快速进步并成为未来人造视觉的“一般基本模型”。一个更简单，更快的摘要是“我看到3是视觉推理露营者的GPT-3时刻。LUE和重要性，让我们看一下原始的第一篇文章。 DeepMind首先提出了COF的概念。根据文章，在特定任务实践中，Cof Provo的提议并最终成为“愿景的基本模型”？将给他们指示，也不会接受特殊的培训。通过Google API，为模型指定“第一张图像（在第一张图片中） +文本指令”，并允许模型生成8秒和720p视频。这与“用指示代替LLM的独家培训”完全相同。目的是使用本地和独特的模型。它纯粹是完成任务验证一般功能，并取决于模型本身。通过一系列测试，团队发现视频模型确实具有通用的潜力。具体来说，我们将I认为3是一个实验主题，并发现有四个主要技能（水平进步）。首先，没有特殊培训，我看到3可以具有处理和感知许多经典视觉任务的能力。要么是一项基本任务（例如澄清图像模糊），要么是复杂的任务（例如在许多方面找到“蓝色球”），很容易处理。其次，这不足以理解。我看到3还允许您“为视觉世界构建规则”并具有建模功能。这反映在我们对物理学的理解（例如知道石头沉没）和抽象关系（例如可以放入背包中的东西）。第三，基于“清晰可见性”和“理解规则”，我看到3仍然是一个动态改变视觉世界并具有控制功能的支柱。例如，更改图像（向鸟添加围巾，将其放在雪场中），然后进行3D和模拟（让骑士跪在前面的膝盖上）。第四，以前特征的集成允许我看到3执行传输时间和空间的视觉推断，即SO称为COF干部链。给我解决迷宫问题的解决方案。从沿着白路的起点到绿点的起点，将红点漫步。我看到3可以生成红点视频，以逐步计划您的路径而无需触摸黑墙。我打了迷宫5×5 10次，我看到3次成功率为78％，而我看到2的成功率只有14％。更多的推理测试还表明，推理能力不是完美的（复杂的旋转类比会造成错误），我们可以看到“视觉智能的序言”。通常，团队通过测试得出了三个中心结论：1。分析了有62个定性任务和7项定量任务生成的18,384个视频之后，团队发现我看到3个可以解决3个未经培训或调整的任务。 2。我看到3可以让您感知，建模并查看视觉世界。它利用操纵和演示类似于“图片链（COF）”的视觉推理的早期形式的能力。 3。PA的自定义模型Rticular Task通过样本视频模型为零提高了性能，但是团队已经观察到I See 2至I See 3的性能持续不断提高，这表明视频模型的特征的快速发展。 “通才将取代专家。”此外，根据当前的性能和VI 3的成本预测，DeepMind已经开始动摇勇气。在视频模型领域，“通才”将来将取代“专家”。具体来说，作为典型的视频模型，我看到3留下了SOTA专用模型，例如用于特定任务的特定任务，例如边缘检测的准确性。不如特别优化的算法好。但是，从发展趋势的角度来看，随着模型能力的快速提高，这一差距正在缩小。第一个大型语言模型（例如GPT-3）不如通过架构，数据和CA方法的发展来调整任务调整模型，但最终成为P一般基本模型。例如，与上一代见2相比，我看到的3现在在短期内已完全更新。这表明，一般视觉和模型的产生能力在快速增长的时期类似于LLM左右。其次，通过多TRI策略（通过@10），也就是说，相同的任务是多次生成的，并以最佳方式选择。此外，结合了RLHF说明的推理量表和最佳调整等技术，我们希望绩效能够看到更多3个。此外，尽管现在的视频产生成本高于专用任务的模型，但LLM推断的成本每年减少了9-900次，尽管NLP的最初常规模型（例如GPT-3）也询问了成本，但最终，排除模型最终被“一般价值价值 +降低”代替。因此，人造视觉可能会走相同的道路和视频MO的成本DEL将来将逐渐解决。通常，DeepMind是一个充满信心的流行视频模型。 COF提出的新概念是互联网用户所说的，并且预计视频模型的新途径将与过去的贡献一样。文档：https：//papers-pdfs.assets.alphaxiv.org/2509.20328v1.pdf
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息存储服务。
注意：以前的内容（如果您有照片或视频）将由社交媒体平台NetEase Hao的用户收取和发布，仅提供信息存储服务。