DeepMind最新研究显示,视频模型Veo 3展现出强大的零样本学习能力,可以完成物体分割、边缘检测、图像编辑等多项未经专门训练的任务。这表明视频模型正朝着通用视觉基础模型方向发展,类似大语言模型在NLP领域的地位。
值得注意的是,该论文8位作者分别来自加拿大、德国、中国、韩国和印度,无一人来自美国。论文第一作者澄清称,Veo 3主要由其他团队实现和训练,该论文主要验证其零样本能力。
研究人员通过分析18,384个Veo 3生成的视频发现,该模型具备感知、建模和操控视觉世界的能力,展现出初步的视觉推理能力。虽然性能尚未超越任务特定模型,但相比前代Veo 2已有显著提升。
论文指出,机器视觉可能正处于类似NLP领域从特定任务模型向通用模型转型的关键时刻。Veo 3等视频模型凭借其零样本能力,或将引领这一转变,迎来视频模型的『GPT-3时刻』。


粤公网安备 44010602000162号
网友评论