来自 meng shao（@shao__meng）的推文线程

[論文解讀] 用影片思考：影片產生作為一種有前景的多模態推理範式 研究動機：既有範式的限制論文指出目前兩種主流AI 推理範式有明顯缺陷： 1. "用文本思考"（Thinking with Text） · 代表：Chain-of-Thought (CoT) · 限制：純文字缺乏視覺訊息，無法處理視覺推理任務 2. "用圖像思考"（Thinking with Images） · 代表：OpenAI o3、o4-mini 等模型· 兩大問題：靜態約束：圖像只能捕捉單一時刻，無法表現動態過程或連續變化· 模態割裂：文本和視覺作為獨立模態，阻礙統一的多模態理解和生成 創新解決方案："用視訊思考" 論文提出利用視訊生成模型（如Sora-2）建構統一的時間框架，實現視覺和文本推理的橋接。 核心優勢· 動態推理：可視化動態過程（如畫線解決空間謎題），表現時序演化和連續變換· 多模態融合：在視頻幀內嵌入文本，實現統一的多模態理解和生成· 類人認知：更自然地對齊人類涉及想像和心理模擬的認知過程 核心實驗發現發現1：視覺任務表現出色 Eyeballing 遊戲： · Sora-2 整體準確率40.2%，超越所有競爭對手Claude 4.5: 35.1% · GPT-5: 29.7% · Gemini 2.5: 26.5% 在特定任務表現突出：射線交點：88%（遠超其他模型） 圓心：70% 能力展現： · 可以模擬射線的延伸與反射· 能操控幾何元素（點、線）支持空間推理· 展現幾何與物理推理能力 發現2：歸納推理能力視覺謎題： · 色彩填滿任務：67.0%（接近Gemini的73.9%） · 形狀繪製任務：64.9%（接近Claude的68.6%） · 能辨識並應用對稱、漸層、組合等模式 發現3：少樣本學習能力 ARC-AGI-2 測試： · 自動評估準確率：1.3% · 手動分析100個案例：完全正確：3% · 大部分正確：14% · 部分正確：28% 關鍵發現：提供所有範例比只提供一個範例效果更好，證明Sora-2 是少樣本學習者 發現4：文本推理的意外表現數學推理（音頻準確率）： · GSM8K: 98.9%（與SOTA相當） · MATH-500: 92.0% · AIME24: 46.7%（SOTA約93%） 多模態推理： · MathVista: 75.7% · MMMU: 69.2% · MMBench: 89.0% 重要發現： · 音訊準確率普遍高於視訊準確率· 視訊產生文字困難，但能在影格中嵌入文字訊息 發現5：自洽性提升推理在Arc Connect 謎題上的實驗： · 單次嘗試最後畫面：56% · 單次嘗試主幀投票：68% · 5次嘗試主幀投票：90% 啟示：自洽性方法可顯著提升影片生成推理任務的效能 深度分析實驗 1. 資料外洩分析· 在改編的數學題（不同數值）上測試· 表現保持一致，排除了測試集洩漏的可能性 2. 推理過程分析· 手動分析115個正確答案案例： · 完全正確：僅13.91% · 邏輯正確但有書寫錯誤：29.57% · 不可讀或邏輯錯誤：43.48% 結論：Sora-2 在提供正確答案的同時，難以產生連貫的推理過程 3. 能力來源探究· 透過對比Wan2.5（有/沒有提示重寫器）： · 停用重寫器時：準確率接近0% · 啟用重寫器時：準確率大幅提升 推測：Sora-2 的文本推理能力可能主要來自提示重寫器模型（很可能是VLM），而非視訊生成元件本身 論文討論地址