video models are zero-shot learners and reasoners

论文总结与翻译：《Video models are zero-shot learners and reasoners》

一、论文主要内容总结

1. 研究背景与核心问题

• 背景：大型语言模型（LLMs）凭借大规模生成式训练和零样本学习能力，已从任务特定模型转变为通用语言基础模型；而当前机器视觉仍以任务特定模型（如分割任务的Segment Anything、目标检测的YOLO系列）为主，缺乏通过“提示词驱动”解决各类视觉任务的通用模型。
• 核心问题：生成式视频模型（如Veo系列）与LLMs采用相似的核心原理——基于网络规模数据的大规模生成式训练，这类视频模型是否能像LLMs推动自然语言处理（NLP）那样，成为通用视觉理解的基础模型？

2. 研究方法

• 实验对象：选择Google DeepMind的Veo 2和Veo 3（两者发布时间间隔约半年，Veo 2于2024年12月发布、2025年4月上线，Veo 3于2025年5月发布、2025年7月上线），二者在文本到视频（text2video）和图像到视频（image2video）排行榜中表现领先。
• 实验设计：通过“提示词+初始图像”的极简方式调用模型（基于Google Cloud Vertex AI A