DeepMind发布Veo3论文谷歌称Veo3是视觉界GPT3时刻

DeepMind发布了Veo3论文，展示了Veo3在零样本（zero-shot）条件下完成多任务的能力，并称其为视频领域的通用基础模型（foundation model），以及"视觉推理领域的GPT-3时刻"。

文章提到，Veo3不仅能识别图像内容，还能理解物理规律，甚至完成类比推理和解迷宫任务，而且这些能力并非专门训练过的结果。

论文系统评估了Veo3在多个维度的表现，亮点包括：

感知能力：Veo3在边缘检测、图像分割、低光增强、超分辨率等经典视觉任务上表现出色，且完全无需微调。例如在BIPEDv2数据集上做边缘检测，效果甚至超过了人工标注。

物理建模：模型能够区分刚体与软体，理解重力差异（如地球与月球）、浮力、玻璃与镜子的光学特性，甚至可以判断一个物体是否能装进背包。

图像操作：支持背景移除、风格迁移、色彩修改、视角重建、3D换姿等操作，还能用自然语言或手势控制操作，如“打开瓶盖”或“给角色变装”。

视觉推理：可完成迷宫导航（5x5格内pass

推理机制创新：论文提出“帧链推理”（chain-of-frames），类似语言模型中的“思维链”（chain-of-thought）。模型通过视频帧序列逐步“思考”，实现对时间与空间的动态建模与推演。

性能提升明显：Veo3在各项任务上全面超越前代Veo2。在图像编辑保真度上，人工评价认为Veo3生成结果明显更精细。

泛化能力强：即便是从未训练过的任务，只需提供自然语言提示和首帧图像，Veo3也能给出“临场可用”的合理解法——包括线稿编辑、图案补全、抽象推理等。

成本问题正在缓解：虽然视频生成仍需大量算力，但论文指出推理成本正迅速下降，预计未来一年内成本可比LLM下降9至900倍。

能力边界清晰：Veo3在抽象类比（如旋转与镜像）和复杂规划（如搬运大型家具）等任务上仍存在短板，距真正的通用人工智能还有一定差距。

研究者指出，这种“zero-shot+多模态+时间建模”的组合路径，正是当年GPT-3能力爆发的关键要素。论文中甚至直接写道：

“我们正见证视频模型成为视觉领域通用基础设施的转折点，就像语言领域当年的GPT-3时刻一样。”

原文链接：arxiv.org/abs/2509.20328