CoF作为DeepMind提出的创新技术，通过逐帧生成视频实现视觉推理，为视频模型开辟了类似语言模型"链式思维"的推理路径。

CoF是什么

CoF（Chain-of-Frames，帧链）是DeepMind推出的新概念，类比于语言模型中的"链式思维"（Chain-of-Thought，CoT）。该技术让视频模型具备时空推理能力，通过连续生成视频帧来解决复杂视觉问题。以Veo 3模型为例，它运用CoF成功处理了迷宫路径规划、对称性任务和视觉类比推理等挑战，展示了视频模型在通用视觉理解领域的巨大潜力。

CoF的主要功能

1. 视觉推理：通过连续生成视频帧，CoF可以逐步解决各类视觉问题，包括迷宫路径寻找、对称图形绘制和视觉类比推理等任务。
2. 跨时空操作：该技术能对视频中的对象实施移动、变形或属性修改等操作，同时确保视频内容的时空连贯性。
3. 通用视觉理解：CoF帮助视频模型掌握物理规则、抽象关系和动态变化，实现零样本学习下的通用视觉任务处理。
4. 生成连贯视频：该技术保证生成的视频在时空维度上保持逻辑一致性，使内容符合物理规律和现实约束。

CoF的技术原理

1. 生成模型：基于大规模训练数据，CoF利用生成模型学习视频的时空结构和动态变化规律。
2. 提示驱动：系统通过自然语言提示和初始图像引导模型，前者明确任务目标，后者提供视频生成的首帧参考。
3. 逐帧推理：模型采用类似语言模型链式思维的方式，基于前序帧状态和提示信息逐步生成后续视频帧。
4. 物理和逻辑约束：所有生成内容必须遵循物理定律和现实逻辑，确保物体运动等行为符合客观规律。
5. 优化和反馈：通过多次生成和结果优选机制，模型能够持续提升视频生成质量和任务完成准确率。

CoF的项目地址

1. 技术论文：https://papers-pdfs.assets.alphaxiv.org/2509.20328v1.pdf

CoF的应用场景

1. 迷宫求解：通过逐帧规划，生成物体在迷宫中寻找最优路径的完整视频过程。
2. 视觉对称性任务：逐步填充空白部分，完成对称图形的自动绘制和生成。
3. 物理模拟：精确模拟物体运动、碰撞和浮力等物理现象，生成符合科学规律的动态视频。
4. 图像编辑：应用于背景移除、风格转换等编辑任务，通过视频帧序列呈现完整的编辑过程。
5. 视觉类比：解决视觉类比问题，通过连续推理生成缺失部分，完成视觉类比任务。

CoF技术通过创新的视频推理方式，为计算机视觉领域带来了突破性的发展，展现出在复杂视觉任务处理方面的卓越能力。