Video models are zero-shot learners and reasoners

В данной статье исследуется потенциал видео моделей, в частности Veo 3, как универсальных моделей компьютерного зрения, аналогично тому, как LLM произвели революцию в обработке естественного языка. Исследование демонстрирует способность Veo 3 решать разнообразные задачи без специального обучения, включая сегментацию объектов, обнаружение границ, редактирование изображений и понимание физических свойств. Эти возможности позволяют формировать начальные формы визуального мышления, такие как решение лабиринтов и задач на симметрию. Авторы анализируют сгенерированные видео и сообщают, что Veo 3 может решать задачи, для которых он не был обучен или адаптирован, демонстрируя визуальное мышление «цепочки кадров». Сравнение производительности между Veo 2 и Veo 3 показывает значительное улучшение, что указывает на быстрое развитие возможностей видео моделей. Метод включает в себя запрос к Veo с исходным изображением и текстовой инструкцией для создания видео. Результаты показывают, что видео модели продвигаются к тому, чтобы стать унифицированными моделями для компьютерного зрения. #ВидеоМодели #НулевоеОбучение #ВизуальныйИИ #Veo3 #ГлубокоеОбучение #ВизуальноеМышление #БазовыеМодели документ - http://arxiv.org/pdf/2509.20328v1 подписаться - https://t.me/arxivpaperu отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM