在论文中，DeepMind 的研究团队提出了一个大胆的想法:视频生成模型是否能像当前的大语言模型（LLM）一样，具备通用的视觉理解能力，能够处理各种视觉任务而不需专门训练?目前，机器视觉领域仍在传统阶段，各种任务需要不同的模型来处理，例如物体分割、物体检测等，每次换任务都要重新调教模型。

为了验证这个想法，研究团队使用了一种简单粗暴的方法:只给模型提供一个初始图像和一段文字指令，看看它能否生成一个720p 分辨率、时长8秒的视频。这种方法与大语言模型通过提示进行任务的方式类似，目的是测试模型的原生通用能力。

结果显示，DeepMind 的 Veo3模型在多个经典视觉任务上表现优异，显示出它具备感知能力、建模能力和操控能力。更令人惊讶的是，它在进行跨时空视觉推理时表现出色，成功规划了一系列路径，从而能够解决复杂的视觉难题。

总体来看，DeepMind 团队总结了以下三大核心结论:

普遍适应性强:Veo3能够解决许多未接受专门训练的任务，展现出强大的通用能力。

视觉推理初现雏形:通过分析生成的视频，Veo3显示出了类似于 “帧链” 的视觉推理能力，逐步建立起对视觉世界的理解。

快速发展趋势明显:尽管特定任务模型表现更优，Veo3的能力正在迅速提升，预示着未来可能出现更强大的通用视觉模型。

未来，DeepMind 认为，通用的视频模型将可能取代专用模型，就像早期的 GPT-3最终成为强大的基础模型一样。随着成本的逐步降低，视频生成模型的广泛应用指日可待，预示着机器视觉的新时代正在向我们走来。

论文地址：https://papers-pdfs.assets.alphaxiv.org/2509.20328v1.pdf