知识卡片：OpenCoF：通过视频生成学习推理

一句话结论

OpenCoF 通过构建专门的推理视频数据集（OpenCoF-17K）并微调视频生成模型（Wan-CoF），证明了多样化的时序监督能显著提升模型在视频推理任务上的表现，同时引入视觉和文本推理令牌可进一步组织中间推理状态。

事件概述或研究问题

大型模型需要具备理解逻辑后果的推理能力。现有视频生成模型主要训练于通用视频语料，缺乏针对“帧链式推理”（Chain-of-Frame, CoF）的多样化监督和专用设计。为此，论文提出 OpenCoF 框架，旨在研究如何通过视频生成来实现推理。

方法/产品要点

• 框架组成：OpenCoF-17K 推理视频数据集（覆盖 11 个任务族） + Wan-CoF（在 Wan2.2-I2V-A14B 基础上微调的视频模型）。
• 推理机制：利用视频中时序相连的帧进行推理，称为 Chain-of-Frame（CoF），区别于传统的 Chain-of-Thought（CoT）。
• 高级设计：为模型配备视觉推理令牌和文本推理令牌，分别捕获低层视觉线索与高层语义先验，用于空间和时序推理。
• 开源：数据集、模型和代码均已公开。

主要结果或产业意义

• 在四个视频推理基准上，Wan-CoF 相比基线 Wan2.2-I2V-A14B 取得了可观提升。
• 通过性能对比和注意力分析，揭示了推理令牌在不同模型深度、去噪步数、空间和时间维度上的贡献。
• 结果表明：更强的视频推理既需要广泛的时序监督，也需要显式的中间推理状态组织机制。

为什么重要

这项工作开辟了通过视频生成进行推理的新路径，为未来面向推理的视频生成研究提供了数据、模型和设计思路。其开源性质有助于社区快速复现和扩展。

局限与不确定性

• 仅在一个基线模型（Wan2.2-I2V-A14B）上进行了微调，其他架构的泛化性待核实。
• 推理令牌的机制在小规模实验和特定基准上的效果，是否完全推广到真实复杂场景尚需验证。
• 数据集 OpenCoF-17K 的规模（17K 视频）和任务覆盖范围可能仍然有限。

可用于图书/PPT/简报的角度

• 对比 Chain-of-Thought 与 Chain-of-Frame 两种推理路径的差异。
• 展示视频生成模型如何从单纯的内容生成转向推理工具。
• 强调数据多样性（11 任务族）和模型架构改进（推理令牌）对推理能力的提升作用。

原始材料

• URL：https://arxiv.org/abs/2607.08763v1
• 英文标题：OpenCoF: Learning to Reason Through Video Generation
• 英文关键词：video generation, reasoning, Chain-of-Frame, foundation-model, temporal supervision