cof是deepmind为veo 3提出的视觉版思维链，通过逐帧生成画面显化推理过程，如迷宫中红点试探路径而非瞬移；其依赖感知、建模、操控与跨帧推理四层能力，但存在模式复现倾向，在反事实推演等复杂任务中仍受限。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Veo 3 的 CoF（Chain-of-Frames，帧链）不是把视频“一气呵成”生成出来的结果，而是模型在逐帧构建过程中自然显现出的推理节奏——它用画面代替文字，让视觉逻辑可被观察、可被验证。
CoF 是什么：视觉版的“边想边画”
类比语言模型里的思维链（CoT），CoT 是让模型“写出来怎么想的”，比如解数学题时先列公式、再代入、最后算结果；CoF 则是让视频模型“画出来怎么推的”——不直接跳到答案画面，而是一帧一帧演化场景，把推理过程摊开在时间轴上。
例如给指令：“让红点从迷宫起点沿白路走到终点，避开黑墙”。Veo 3 不生成一个红点瞬移过去的视频，而是输出红点试探路径、回退、转向、逐步逼近绿点的8秒过程。这一连串帧本身，就是它的“思考痕迹”。
CoF 背后的能力分层：从看到想，四步递进
CoF 能成立，依赖模型已具备的四项基础能力，它们层层支撑，缺一不可：
Veo 3.1增强了音频生成能力、提示词理解能力和角色一致性控制。支持多参考图生成、场景扩展（Scene Extension）、更长视频制作以及更精准的镜头控制，同时提升了画面真实感和叙事能力。是当前 Google 主推的旗舰视频生成模型。
- 感知能力：准确识别初始图中的结构，比如分辨出迷宫的墙、路、起点与终点位置；
- 建模能力：理解“白线可通行、黑块是障碍”这类空间规则，甚至隐含物理常识（如球会滚落斜坡、液体能填充容器）；
- 操控能力：在建模基础上主动改变局部状态，比如让红点移动、旋转、暂停，或临时添加引导箭头；
- 跨帧推理能力：把前几帧的状态作为输入，决定下一帧该呈现什么，形成闭环反馈链条——这才是 CoF 的核心。
CoF 当前的局限：真实推理还是模式复现？
有研究指出，Veo 3 在部分任务中表现出的“推理”，可能只是对训练数据中高频动作序列的模仿。比如走迷宫视频若大量出现在训练集里，模型未必真在规划，而是在调用相似片段拼接。
为检验这一点，港中文等团队构建了 MME-CoF 基准，覆盖空间关系、时间因果、几何变换等12个维度。测试发现：
- 模型在规则明确、模式常见任务中表现稳定（如沿直线移动、镜像翻转）；
- 但在需要反事实推演（“如果墙突然消失会怎样？”）或长程依赖（超过5步的条件判断）时，容易断裂或循环；
- 提示稍作扰动（如把“白路”换成“浅灰路径”），输出质量明显下降，说明泛化仍依赖表面线索。
怎么用好 CoF：提示设计是关键入口
CoF 不是自动触发的开关，它高度依赖提示的质量。有效激发帧链推理的提示通常具备以下特征：
- 明确起始帧内容（提供图或详细文字描述）；
- 定义动态主体（如“红点”“小车”“水滴”），并赋予其可追踪的视觉标识；
- 强调过程动词而非结果（用“缓慢滑入”“逐级上升”“试探性绕行”，不用“到达”“完成”“生成”）；
- 加入约束条件（如“每帧仅移动1像素”“遇到障碍必须停顿2帧”），迫使模型显式建模状态变化。
这些技巧本质上是在给模型铺设一条“推理轨道”，让它更倾向于走 CoF 路径，而不是跳过中间步骤直接渲染终点。
