[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-opencof-video-generation-reasoning-zh":3,"article-related-opencof-video-generation-reasoning-zh":30,"series-research-7be813ff-524d-4445-a924-5c11002c87cf":75},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"7be813ff-524d-4445-a924-5c11002c87cf","opencof-video-generation-reasoning-zh","OpenCoF 讓影片模型逐幀推理","\u003Cp data-speakable=\"summary\">以前影片模型多半只學會補出合理動作，現在 OpenCoF 讓它們靠時間監督與推理 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 逐幀維持狀態。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：四個影片推理 benchmark\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：OpenCoF-17K 加雙推理 token\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這篇論文想處理的，不是影片能不能動，而是模型能不能「想著往下生成」。作者把這件事拆成一個更具體的問題：當一段影片要跨時間維持視覺狀態、語意脈絡與先後順序時，單靠一般影片資料，夠不夠。\u003C\u002Fp>\u003Cp>OpenCoF 的答案很直接：不太夠。它主張，若要讓影片生成模型具備更穩定的推理能力，就不能只餵大量通用影片，而要提供明確的時間監督，還要把推理過程拆成可追蹤的中介狀態。\u003C\u002Fp>\u003Cp>這個方向對開發者很重要。因為影片生成正在從「內容引擎」往「推理底座」移動。若模型能在逐幀生成時保住狀態，很多依賴因果、空間變化、步驟\u003Ca href=\"\u002Fnews\u002F5-ge-ml-xue-xi-pai-hao-shun-xu-de-zi-yuan-zh\">順序的\u003C\u002Fa>\u003Ca href=\"\u002Fnews\u002Funiclawbench-proactive-agents-live-tasks-zh\">任務\u003C\u002Fa>，才有機會做得更可靠。\u003C\u002Fp>\u003Ch2>OpenCoF 想補的洞\u003C\u002Fh2>\u003Cp>論文先指出一個落差：近年的影片生成模型，已經出現一條不同於傳統 Chain-of-Thought 的推理路徑。作者把它稱作 Chain-of-Frame，也就是讓推理沿著時間連續的影格展開。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783665174981-siq1.png\" alt=\"OpenCoF 讓影片模型逐幀推理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>問題是，這個概念雖然漂亮，訓練方式卻還很粗。多數模型仍是用一般影片資料訓練，學到的是「看起來像影片」的先驗，不一定是「能跨影格推理」的能力。\u003C\u002Fp>\u003Cp>OpenCoF 要測的，就是這個差別到底有多大。當模型不再只吃通用影片資料，而是加入專門的時間監督，它能不能更好地保留中間推理狀態，並把前一幀的資訊帶到下一幀。\u003C\u002Fp>\u003Cp>作者也強調，CoF 不是單純追求畫面一致。它要處理的是推理狀態如何隨時間展開。換句話說，模型不只要知道「現在看到了什麼」，還要知道「接下來應該發生什麼」。\u003C\u002Fp>\u003Ch2>方法怎麼做\u003C\u002Fh2>\u003Cp>OpenCoF 的設計可以拆成三塊：OpenCoF-17K 資料集、一個涵蓋 11 類任務家族的影片推理資料集，以及用來驗證方法效果的 Wan-CoF。\u003C\u002Fp>\u003Cp>其中，OpenCoF-17K 是整個框架的基礎。摘要沒有列出每一類任務細節，所以不能把它說得太滿；但至少可以確定，這不是只針對單一小型 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 的資料，而是朝多樣化的推理影片任務去設計。\u003C\u002Fp>\u003Cp>Wan-CoF 則是模型端的實驗對象。它從 Wan2.2-I2V-A14B 微調而來，用來觀察當影片模型接受更有針對性的時間監督後，是否真的能改善 CoF 行為。\u003C\u002Fp>\u003Cp>方法核心則是兩種推理 token：一種偏視覺，一種偏文字。視覺推理 token 用來承接低階視覺線索，文字推理 token 用來承接高階語意先驗。作者想做的，是把「看見什麼」與「應該怎麼推下去」分開處理，再讓它們一起服務逐幀生成。\u003C\u002Fp>\u003Cp>這種設計的概念很像替模型多開一個工作區。不是只丟 prompt，然後等它自己一路猜到底；而是讓它在生成過程中保留中介資訊，方便跨空間與跨時間地接續推理。\u003C\u002Fp>\u003Cp>論文還進一步分析這些 token 在模型深度、去噪步驟、空間與時間上的表現。也就是說，作者不只看最後分數，還試著看模型在生成過程中，到底什麼時候、在哪裡、比較依賴哪一種 token。\u003C\u002Fp>\u003Cp>這點對實作很有價值。因為生成模型常常像黑盒子，分數有提升不代表機制真的懂了。這篇至少有試著把改善來源拆開，讓研究者能更清楚地看到方法到底在幫哪一段流程。\u003C\u002Fp>\u003Ch2>結果證明了什麼\u003C\u002Fh2>\u003Cp>根據摘要，Wan-CoF 在四個影片推理 benchmark 上，都比 Wan2.2-I2V-A14B baseline 有明顯提升。不過摘要沒有公開這四個 benchmark 的名稱，也沒有列出具體分數，所以這裡沒有完整 benchmark 細節可直接對照。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783665171172-au52.png\" alt=\"OpenCoF 讓影片模型逐幀推理\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>即便如此，摘要傳達的方向很清楚：更豐富的時間監督，確實有助於影片推理；而明確的推理 token，也確實能幫模型整理生成過程中的中介狀態。\u003C\u002Fp>\u003Cp>論文的證據有兩種。一種是 benchmark 比較，證明模型表現變好。另一種是 attention analysis，作者用它來說明這些 token 不是裝飾，而是在生成過程中扮演實際角色。\u003C\u002Fp>\u003Cp>但摘要沒有宣稱 OpenCoF 已經解決影片推理。它的語氣比較保守，是在說這條路有前景，而不是問題已經結案。這個界線很重要，因為影片推理本來就是還在快速演化的研究題目。\u003C\u002Fp>\u003Ch2>對開發者有什麼意思\u003C\u002Fh2>\u003Cp>如果你在做生成式影片，這篇論文其實是在提醒一件事：通用影片資料，可能夠讓畫面動起來，但不一定夠讓模型做有結構的時間推理。\u003C\u002Fp>\u003Cp>換句話說，訓練資料的角色變了。以前重點是「看過夠多影片」，現在可能要進一步問：資料有沒有把時間順序、狀態轉移、語意接續這些東西教清楚。\u003C\u002Fp>\u003Cp>對工程上來說，OpenCoF 也提供一個可操作的思路：不要只讓模型從 prompt 直接跳到輸出，最好替它保留中介狀態。視覺與文字兩種推理 token，就是這種做法的具體例子。\u003C\u002Fp>\u003Cp>這對多模態 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa>、模擬、規劃、合成資料生成都可能有影響。因為這些場景常常不只是要「像」，而是要「照規則演化」。能跨影格維持推理的模型，會更適合描述變動中的場景，或檢查時間一致性。\u003C\u002Fp>\u003Ch2>限制與還沒回答的問題\u003C\u002Fh2>\u003Cp>摘要也留下不少工程師最想知道、但目前還看不到答案的地方。第一，它沒有公開 benchmark 數字。第二，它沒有列出四個 benchmark 的名稱。第三，它沒有說微調成本有多高。\u003C\u002Fp>\u003Cp>另外，Wan-CoF 是建立在 Wan2.2-I2V-A14B 上微調出來的，所以從摘要還看不出這套方法能不能平移到其他影片生成器。也就是說，目前比較像是在特定家族上驗證方向，而不是證明一個通用框架。\u003C\u002Fp>\u003Cp>還有一個問題是泛化。作者主張需要更廣的時間監督，但摘要沒有說模型碰到陌生推理型態時，表現會不會掉得很快。這對真正要上線的系統來說，會是很關鍵的風險點。\u003C\u002Fp>\u003Cp>不過，這篇的價值仍然很明確。它把討論從「把影片生成做得更像」往前推了一步，變成「把影片生成做得更會想」。對研究社群來說，這是更可操作的方向。\u003C\u002Fp>\u003Cp>而且摘要提到，作者已經把資料集、模型與\u003Ca href=\"\u002Fnews\u002Fentire-agent-git-network-ai-code-trust-zh\">程式\u003C\u002Fa>碼開源。對研究者和開發者來說，這代表可以更直接測試同樣的想法能不能搬到別的設定，也能觀察 Chain-of-Frame reasoning 是否真能變成可重複使用的設計模式。\u003C\u002Fp>\u003Ch2>結論\u003C\u002Fh2>\u003Cp>OpenCoF 證明了一件事：影片模型要更會推理，不只要更多影片資料，還要能在時間上被明確監督，並用推理 token 把中介狀態整理起來。\u003C\u002Fp>\u003Cp>它不是影片推理的終點，但它很清楚地指出下一步不是單純把模型做大，而是讓生成器本身具備更好的時間思考能力。\u003C\u002Fp>","OpenCoF 把影片生成從單純補畫面，推進到能靠時間監督與推理 token 逐幀維持狀態。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.08763",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783665174981-siq1.png","research","zh","e8326fca-5817-4d2f-b3f9-43779d943062",[17,18,19,20,21],"video generation","Chain-of-Frame","temporal supervision","reasoning tokens","multimodal models",[23,24,25],"OpenCoF 把影片推理從單純生成，改成逐幀維持中介狀態的問題。","方法核心是 OpenCoF-17K、時間監督，以及視覺\u002F文字兩種推理 token。","摘要只說四個 benchmark 有提升，沒有公開完整數字與名稱。",0,"2026-07-10T06:32:29.458194+00:00","2026-07-10T06:32:29.447+00:00","feb17268-279e-4691-9d39-9378f44a0499",{"tags":31,"relatedLang":34,"relatedPosts":38},[32],{"name":17,"slug":33},"video-generation",{"id":15,"slug":35,"title":36,"language":37},"opencof-video-generation-reasoning-en","OpenCoF teaches video models to reason frame by frame","en",[39,45,51,57,63,69],{"id":40,"slug":41,"title":42,"cover_image":43,"image_url":43,"created_at":44,"category":13},"7773aa86-8276-49ff-8fce-a58639ce180c","benchmark-scientific-lineage-reasoning-zh","IG-Bench：測科學譜系推理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783666980843-7o76.png","2026-07-10T07:02:31.047117+00:00",{"id":46,"slug":47,"title":48,"cover_image":49,"image_url":49,"created_at":50,"category":13},"5c1a4cfe-93d9-4619-8f04-67a10de880ce","uniclawbench-proactive-agents-live-tasks-zh","UniClawBench：活體任務測主動式代理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783663371728-73eg.png","2026-07-10T06:02:24.502805+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"a5119837-3405-44e3-86fd-cf3923096cb2","webassembly-to-c-rivals-native-runtimes-2026-zh","WebAssembly-to-C 仍能打平原生執行環境","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783647172829-3d39.png","2026-07-10T01:32:30.98686+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"ed59677b-bc56-4c01-b1e8-163b6c6744dc","analysis-driven-transformer-linearization-zh","線性化 Transformer 但不掉品質","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783580571758-gqu7.png","2026-07-09T07:02:26.210405+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"3e8fbc00-9a1f-4e79-bfc2-ca933bf09eb9","co-lmlm-continuous-query-limited-memory-models-zh","Co-LMLM 讓 LLM 持續查知識","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783578779210-wi5d.png","2026-07-09T06:32:30.404486+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"2b8e7059-ee9e-40a7-9f1f-d80dbf122859","scireasoner-structure-property-reasoning-zh","SciReasoner讓結構變成可讀證據","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783576975609-6pfl.png","2026-07-09T06:02:30.862628+00:00",[76,81,86,91,96,101,106,111,116,121],{"id":77,"slug":78,"title":79,"created_at":80},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":82,"slug":83,"title":84,"created_at":85},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]