论文概要
研究领域: CV 作者: Xinyan Chen, Ziyu Guo, Renrui Zhang, Dongzhi Jiang, Hongsheng Li 发布时间: 2026-07-09 arXiv: 2607.08763
中文摘要
推理已成为大模型的核心能力，尤其当可靠决策需要理解逻辑后果时。近期视频生成模型提供了一条与先前思维链（CoT）不同的推理路径：推理可以通过时间相连的帧展开，即帧链（Chain-of-Frame, CoF）推理。然而，现有视频生成器主要基于通用视频语料训练，仍缺乏多样化的监督和针对CoF推理的专门设计。为解决这一差距，我们引入OpenCoF框架，包括OpenCoF-17K数据集（一个涵盖11个任务家族的推理视频数据集）和Wan-CoF（一个用于研究多样化时间监督是否改善CoF行为的微调视频模型）。在四个视频推理基准上，Wan-CoF相比Wan2.2-I2V-A14B基线取得显著增益。在此基础上，我们实证探索了更先进的CoF能力设计，即为模型配备视觉和文本推理token。该机制分别捕获低层视觉线索和高层语义先验，用于空间和时间推理。通过性能比较和注意力分析，我们检验了这些token在模型深度、去噪步数、空间和时间维度上的贡献。我们的结果表明，更强的视频推理需要广泛的时间监督和用于组织中间推理状态的显式机制。我们已开源数据集、模型和代码以促进面向推理的视频生成研究。
原文摘要
Reasoning has become a core capability for large models, especially when reliable decisions require understanding logical consequences. Recent video generation models offer a reasoning path distinct from previous Chain-of-Thought (CoT): reasoning can unfold through temporally connected frames, known as Chain-of-Frame (CoF) reasoning. However, existing video generators are primarily trained on general video corpora, still lacking diverse supervision and dedicated designs for CoF reasoning. To address this gap, we introduce OpenCoF, a framework comprising the OpenCoF-17K dataset, a reasoning video dataset spanning 11 task families, and Wan-CoF, a fine-tuned video model for studying whether diverse temporal supervision improves CoF behavior. Across four video reasoning benchmarks, Wan-CoF ach…
— 自动采集于 2026-07-12
#论文 #arXiv #CV #小凯