Video Reasoning：从 Zero-Shot Learners 到可验证闭环¶
综述与引用核验截至 2026 年 9 月 2 日（Asia/Shanghai）。本章以 2025 年 9 月的 Video models are zero-shot learners and reasoners 为叙事原点：先还原它观察到了什么、Chain-of-Frames 假说如何提出、证据到哪里为止；再向前追溯视觉思维与受控世界模型前史，向后展开 benchmark、监督训练、RLVR、去噪机制、推理时优化与闭环系统。VBVR 是其中的规模化基础设施节点，而不是整章中心。
2026 年夏季新增工作的标题、版本、代码、数据口径、venue 更正、图片生成记录与纳排边界，见本轮增量检索审计；VBVR 的前后向引用核验仍见专项审计。GVCLab 早期维护的 Awesome-Reasoning-via-VDM 清单已按条目级别融入本章，完整的 9/9 去向、别名和许可边界见融合审计。
1. 原点论文：Video models are zero-shot learners and reasoners¶
1.1 它问的不是“能不能走迷宫”，而是视觉是否迎来 GPT-3 moment¶
Wiedemer 等人的核心问题是：大语言模型从任务专用系统演变为通用语言基础模型，依靠的是大规模生成式预训练及其零样本涌现能力；使用相似训练范式的视频生成模型，是否也可能成为通用视觉基础模型 [3]？
因此，论文并没有把 reasoning 孤立成一个新 benchmark。它先建立一条能力阶梯：
- Perception：读取边缘、对象、纹理和空间信息；
- Modeling：形成关于对象、物理属性和世界状态的内部模型；
- Manipulation：按指令编辑、移动或模拟对象与工具；
- Reasoning：在空间与时间上连续执行多步 manipulation，得到目标状态。
迷宫之所以重要，不是因为它本身代表通用智能，而是因为走迷宫同时要求读懂墙和路径、保持当前状态、选择合法动作，并把计划展开成连续视觉变化。论文把这种“感知—建模—操作—多步变化”的组合视为早期视觉推理。
1.2 实验到底做了什么？¶
| 项目 | 原论文设置 |
|---|---|
| 被测系统 | 通过 Google Cloud Vertex AI 调用可公开访问、但模型权重与系统细节闭源的 Veo 2 与 Veo 3 API |
| 输入与输出 | 一张初始图像作为首帧 + 文字指令；生成 16:9、720p、24 FPS、8 秒视频 |
| 总规模 | 18,384 个生成视频：17,640 个定量样本 + 744 个定性样本 |
| 定性范围 | 62 个任务，通常每项生成 12 次，共 744 个视频；覆盖 perception、modeling、manipulation、reasoning |
| 定量范围 | 7 个任务，共 17,640 个视频：边缘检测、分割、对象提取、图像编辑、迷宫、视觉对称、视觉类比 |
| 主要比较 | Veo 2、Veo 3、部分图像模型、专用模型或 Gemini 2.5 Pro；不同任务的比较对象和指标并不完全相同 |
有代表性的结果包括：
| 能力 | 论文报告的结果 | 正确解读 |
|---|---|---|
| 边缘检测 | Veo 3 OIS best-over-10 = 0.77；专用 SOTA = 0.90 | 零样本能力明显，但仍落后于专用模型；这里是在连续指标上取 10 次最佳 |
| 实例分割 | best-frame、best-over-10 mIoU = 0.74；Nano Banana = 0.73 | 每段视频先选最高分帧，再在 10 次生成中取最高分候选，包含两层 oracle 选择 |
| 对象提取 | 最高 93% pass@10 | 说明模型能识别并重排对象；简单任务仍未达到 100% |
| 5×5 迷宫 | Veo 3 pass@10 = 78%；Veo 2 = 14% | 显示代际能力跃升和候选覆盖上限，不是 78% 单次成功率 |
| 视觉类比 | color、resize 可解；reflect、rotate 低于 0.33 chance | 能力不是均匀出现，而存在系统性偏差 |
论文还展示了图遍历、视觉 BFS、序列补全、同色连接、形状嵌合、排序、工具使用、简单 Sudoku、导航和规则外推等定性案例。这些案例的价值在于扩展能力假说，而不是为每一类任务给出稳定准确率。
复现时还要注意一个版本细节：方法正文将 Veo 2 模型标识写作 veo-2.0-generate-001，多个附录段落则写作 veo-2.0-generate-preview-001。因此，Veo 2—Veo 3 的差异应视为两个闭源产品快照的比较，而不是架构、数据和算力均受控的 scaling law。
1.3 Chain-of-Frames 原本是什么意思？¶
论文的原始类比是：语言模型通过一串文字 token 展开 Chain-of-Thought；视频模型可以通过一串随时间变化的帧，对现实世界的空间与时间维度施加连续操作，因此这种接口“可以称为” Chain-of-Frames（CoF）。
这里的措辞很重要：CoF 首先是一个行为假说和任务接口。论文证明了视频中可以出现多步、目标导向的视觉变化，却没有证明内部计算严格遵循“一帧对应一步 thought”。后来的 Demystifying Video Reasoning、Video Models Reason Early、Seriality Gap 和 VGI-Bench，正是从这个未决问题继续向内追踪去噪状态、早期计划和串行计算上限。
1.4 这篇论文最重要的证据边界¶
- 系统级零样本不等于视频模型本体零样本。 Vertex API 使用 LLM prompt rewriter；作者明确把 rewriter 与视频生成器当作一个黑盒系统，并认为简单 Sudoku 的解法很可能来自 LLM 而非视频模型。独立 Gemini 2.5 Pro 在若干关键视觉任务上不能稳定求解，是有价值的对照，但它既没有识别隐藏 rewriter，也没有复现实际的重写提示，因而不能完全分离系统组件。
- 这里的 zero-shot 是任务协议，不是训练数据证明。 它指没有任务专用微调或新任务 head；Veo 的训练数据与后训练流程闭源，无法审计训练集中是否存在相似视觉模式、任务演示或提示模板。
- pass@\(k\) / best-of-\(k\) 的定义随任务而变。 迷宫的 pass@10 是 10 次中至少一次二值成功；边缘检测和分割是在 \(k\) 个候选上取最佳指标，其中还包含逐视频选帧；视觉类比在 $
k\gt1$ 时采用多数投票。共同点只是额外采样引入了额外计算，不能把这些数字等同于 pass@1、平均可靠性或同预算下优于搜索算法；best frame 也是事后才知道的性能上限，不是免费可用的读出规则。 - 定性广度不等于定量稳定性。 62 个定性任务通常每项生成 12 次并由作者判断，用于发现现象，而非建立窄置信区间。
- 提示方式本身是强变量。 对称任务中，最佳与最差 prompt 的 pass@1 相差 40 个百分点（shape split）和 64 个百分点（random split）；分割的绿色背景也明显优于白色背景。模型可能利用训练分布中的呈现捷径。
- 部分评测仍依赖模型裁判。 视觉类比由 Gemini 2.5 Pro autorater 辅助判分，并向裁判提供变换类型和值；作者在每种 condition 的 25 个样本上报告与专家超过 88% 一致。这支持近似可用性，但不是完全确定性的任务 scorer。
- 可观察过程不等于内部机制。 一条正确路径可能在去噪早期已经决定，随后只是被动画化；正确终点也可能伴随穿墙、对象复制或错误中间状态。
- 通用接口不等于专用性能。 多项结果仍落后于任务专用模型。论文更接近“视觉 GPT-3 moment”的研究议程，而不是“通用视觉推理已经解决”的结论。
因此，这篇论文最稳妥的历史定位是：它以当时罕见的任务广度和实验规模，把视频生成模型从内容生成器重新表述为潜在的通用视觉学习器与 reasoner，并把后续研究问题清楚地暴露出来。
图中表示的是证据与系统能力的成熟度，而非严格年份。历史时间线以本节的 zero-shot 发现为原点，在后文分别向前追溯、向后展开。
2. 从原点论文出发：整个领域需要回答五个问题¶
| 原点论文留下的问题 | 为什么原论文还没有回答完 | 后续研究路线 |
|---|---|---|
| 能力有多广？ | 62 个定性任务适合发现现象，不足以形成稳定排行榜 | MME-CoF、TiViBench、Gen-ViRe、V-ReasonBench、RULER、MMGR、VGI-Bench 扩大能力与难度覆盖 |
| 结果怎样可靠验证？ | 人工判断、VLM judge、best frame 和最终帧各有偏差 | 程序 scorer、过程评分、scorer—人评校准、Physics-IQ Verified 式 benchmark 审计 |
| 能力能否通过训练稳定获得？ | 原论文只测 Veo 的零样本黑盒行为 | VR-Bench SFT、VBVR 百万规模监督、NewtonRewards、Wan-R1、VideoRLVR、VBVR-Pro 多任务 RL |
| 推理究竟发生在哪里？ | CoF 是从输出视频做出的行为类比 | Chain-of-Steps、early commitment、latent thought、Seriality Gap、层级去噪与因果干预 |
| 怎样从演示变成可靠系统？ | 单次开环生成不能回滚，也不能证明决策效用 | VideoTPO、ChEaP、TFE、test-time LoRA、CollabVR、NEWTON 与动作—反馈闭环 |
后文把“能力广度”和“结果验证”合并为同一条 benchmark 响应，因此五个问题对应四条研究响应主线；VBVR 作为跨越 benchmark、训练与泛化分析的关键案例单独展开。
2.1 本章的综合结论¶
- Video reasoning 不是一种单一方法。 当前至少包含输出视频中的 Chain-of-Frames、扩散去噪中的隐式搜索、视觉—语言模型与视频生成模型协作，以及动作—反馈闭环中的世界推演四种形态。
- 这条路线已经从“有趣的涌现现象”进入“可训练、可验证、可干预”的阶段。 2025 年的工作主要回答“模型会不会”；2026 年开始集中回答“怎样学会、在何处推理、为什么失败、怎样闭环纠错”。
- 最强证据仍集中在合成、离散、规则可判定的任务。 迷宫、搬运、排序、几何变换和简单物理任务能可靠测量进展，但不能直接外推到开放世界的因果理解。
- VBVR 是重要转折点，但不是这条路线的全部。 它把任务多样性、训练规模、确定性 scorer 和 ID/OOD 对比统一起来；其后工作很快转向机制分析、推理时优化、外部验证器和闭环协作。
- 当前最可信的发展方向不是单纯“生成更长的视频”。 更可能的路线是：可验证任务与过程监督 → 计算预算受控的推理时搜索 → 内生计划与自校验 → 外部工具/验证器 → 可干预、可回滚的闭环世界推演。
3. 先把原始主张拆开：什么才算 Video Reasoning？¶
“视频”和“推理”可以在系统中扮演完全不同的角色。若不先分清，容易把视觉问答、视频生成、世界模型和智能体规划混成一个概念。
| 范式 | 典型输入 | 中间计算或输出 | 核心证据 | 本章位置 |
|---|---|---|---|---|
| Reasoning about video | 已有视频 + 问题 | 文字、标签或动作答案 | 回答是否正确、是否定位到证据帧 | 相邻领域，不是本章主体 |
| Reasoning through video / Chain-of-Frames | 初始图像、规则或题目 | 一段把状态逐步变换到答案的视频 | 终态正确，中间状态合法 | 本章核心 |
| Latent visual reasoning | 图像/视频条件 + 任务 | 扩散 latent、视觉 token 或隐式状态中的搜索 | 对内部状态做可重复、因果性的干预 | 本章核心，但证据更难获得 |
| Reasoning-enhanced generation | 创作或物理要求 | 先规划、再生成、再验证的视频 | 条件遵循、物理一致性或任务得分提升 | 本章重要系统路线 |
| World-model reasoning | 状态、动作、目标、奖励 | 多种动作后果的 rollout 与策略选择 | 反事实准确性和闭环回报 | 与本章交叉，但还需动作接口 |
本章采用一个较严格的定义：
Video reasoning 是模型或系统利用生成的连续视觉状态来表示、推进或检验一个多步问题求解过程；能力声明必须由任务结果、过程合法性、分布外泛化或因果干预中的至少一种证据支持。
这一定义有两个边界。第一，“生成的视频看起来像在思考”不是证据；第二，若全部计划由外部语言模型完成、视频模型只负责渲染，就应称为协作式视觉推理系统，不能把全部智能归给视频生成器。
3.1 Reasoning for generation 与 reasoning through generation¶
- Reasoning for generation：推理服务于生成。系统先拆解 prompt、规划镜头、估计物理约束，再让视频模型渲染结果。
- Reasoning through generation：生成本身承担推理。模型通过连续帧、视觉 token 或去噪状态探索答案。
VChain 用外部多模态模型生成关键视觉思维，再适配视频生成器，属于前者与后者之间的混合系统 [4]；VR-Bench、VBVR 和 VGI-Bench 更直接地追问视频生成本身能否成为问题求解轨迹 [9] [19] [36]。
DiffThinker 提供了一个相邻但不能混同的对照：它把多模态推理写成原生的 image-to-image diffusion 任务，在迷宫、FrozenLake、TSP、Sudoku 和拼图等视觉问题上生成解题状态 [60]。这支持“生成状态可以承担推理介质”的更广假说，但其输出协议不是连续视频，因此不能把它计作视频生成模型已经获得 Chain-of-Frames 能力的证据。
4. 从展示性行为到可验证定义¶
给定任务描述 \(q\)、初始视觉状态 \(x_0\) 和随机变量 \(\epsilon\)，视频生成器产生：
\[ V_\theta(q,x_0,\epsilon)=(x_1,x_2,\ldots,x_T). \]
评测不能只有一个“好不好看”的总分。至少应分为：
\[
R=\alpha R_{\text{answer}}+\beta R_{\text{process}}+\gamma R_{\text{generalization}}+\delta R_{\text{robustness}},
\]
其中：
- \(R_{\text{answer}}\)：最终状态是否满足任务目标；
- \(R_{\text{process}}\)：必要中间步骤是否出现、顺序是否正确、状态是否守恒；
- \(R_{\text{generalization}}\)：能否迁移到未见规则、长度、布局、风格或组合；
- \(R_{\text{robustness}}\)：对提示词表述、输入风格、随机种子和轻微扰动是否稳定。
此外必须把推理预算 \(B\) 写进结果：视频长度、分辨率、采样数、扩散步数、候选筛选器、外部模型调用数和总计算量都会改变成功率。单次生成、pass@10 和“生成十个再由强 VLM 选最好”测量的不是同一种能力。
5. 为什么视频可能成为推理介质？¶
5.1 它提供了空间化的工作记忆¶
对于迷宫、物体重排、旋转、遮挡和几何构造，视觉状态可以直接保留位置、形状和拓扑关系。模型不必先把二维结构完全翻译成“第几行第几列”的文字，再把文字还原成空间。MVoT 较早展示了让多模态模型在推理中生成视觉化中间状态的思路 [2]；随后视频模型把这种离散视觉思维扩展为连续状态轨迹。
5.2 它天然表示“变化”而不只表示“描述”¶
静态图像适合表达一个状态，视频适合表达状态转移。Pathways on the Image Manifold 将图像编辑重写为一条连续视频路径，虽然它并非推理 benchmark，却提供了一个重要前驱：复杂变换可以被表示为从初态到终态的连续视觉轨迹 [1]。
5.3 预训练视频模型包含大量运动和对象先验¶
大规模视频训练迫使模型学习一定程度的对象持续性、相机运动、局部动力学和事件顺序。第 1 节的原点论文把这些预训练先验转化为可观察的 perception、modeling、manipulation 与 reasoning 行为 [3]。它说明生成模型中确实存在可被提示激活的视觉计算先验；至于这些先验能否稳定执行算法、迁移到新规则，则需要后续 benchmark 和训练研究回答。
5.4 但“适合表示”不等于“已经学会算法”¶
视频也带来新的失败模式：对象身份漂移、帧间偷偷改题、物体凭空出现、视觉答案被画对但过程不合法、较早的错误被后续高质量渲染掩盖。生成一段 5–10 秒视频的成本还远高于输出几十个文字 token。因此，视频只在视觉表示能减少问题难度，而且生成误差没有抵消这一优势时有价值。VisWorld-Eval 的受控实验也支持这种条件性结论：视觉—语言交错推理在偏视觉世界模型的任务上有益，在不需要视觉表征的任务上没有稳定优势 [17]。
6. 以原点为轴：向前追溯，向后展开¶
6.1 前史：受控世界模型揭示规模边界¶
在“video reasoning”成为专门名词之前，PhyWorld 已经用 Box2D 控制匀速运动、碰撞和抛物线等因素，把视频生成模型从约 3 万扩到 300 万条数据、从约 22M 扩到 310M 参数 [39]。它观察到 ID 和组合覆盖可随规模明显改善，但真正的物理 OOD 并不稳定变好，模型还表现出 color > size > velocity > shape 的相似样例偏好。这是后来 VBVR scaling 结论的重要前史：规模能改善覆盖和执行，却不会自动把像素相关性压缩成可外推的规则。
6.2 2024—2025 上半年：连续视觉路径与视觉化思维¶
- 连续视觉路径：Pathways on the Image Manifold 表明视频生成器可把一个复杂视觉编辑分解为连续变化 [1]。
- Visualization-of-Thought：MVoT 让多模态语言模型在空间推理时生成中间图像，建立“视觉状态可以是思维载体”的相邻路线 [2]。
这两类工作还没有证明视频生成器具备通用推理，但它们分别提供了“连续状态轨迹”和“视觉化中间思维”两个构件。
6.3 2025 年 9 月：原点论文把分散线索连成研究议程¶
原点论文把此前三个分散方向接到了一起：视频预测提供隐式世界状态，生成式编辑表明视频可以表达连续变换，视觉化思维工作则提出视觉状态本身可以承担中间计算。它进一步把这些线索组织为 perception → modeling → manipulation → reasoning，并预言自动 verifier、后训练和 inference-time scaling 可能把零样本 sparks 变成稳定能力 [3]。
6.4 2025 年 10—12 月：benchmark 爆发¶
原点论文发布后，研究问题迅速从“能否找到有趣成功案例”变成“能力能否被覆盖、分级、复现和验证”。随后出现多条评测路线：
- MME-CoF、Thinking with Video、TiViBench、Gen-ViRe 检查广泛的空间、逻辑、物理与规划能力 [5] [6] [7] [8]；
- VR-Bench 把迷宫转成大规模程序化训练与评测，V-ReasonBench 强调统一、可判定的终态 [9] [10]；
- RULER-Bench 转向规则执行，VIPER 开始检查过程而不只检查最后一帧 [13] [15]；
- NewtonRewards 用可验证的物理奖励进行后训练，代表“不是只测，而是直接教模型遵守结构”的路线 [12]。
- VANS 把“答案”定义为下一个视频事件，以 VLM、视频 diffusion 与 Joint-GRPO 训练 Video-as-Answer 系统，是生成式答案而非单纯 benchmark 的另一支 [11]。
- MiniVeo3-Reasoner 用程序化迷宫和 LoRA 微调 Wan2.2-TI2V-5B，形成早期开放工程复现；它证明窄域 Chain-of-Frames 可以被直接训练，但当时只有代码、数据生成器与权重，没有技术报告 [59]。
- DiffThinker 同期把扩散推理推进到 image-to-image 任务，属于生成式视觉推理的相邻路线，而不是视频 benchmark [60]。
这一阶段确认了两个事实：强视频模型存在非零的视觉问题求解能力；但得分高度依赖任务长度、提示方式、采样预算和评分器。
6.5 2026 年初：规模化训练与系统性验证¶
VBVR 将 100 万训练 clips、任务专用规则 scorer、ID/OOD 拆分和 scaling study 结合起来，使 video reasoning 首次具备接近“训练—评测—泛化分析”闭环的基础设施 [19]。RISE-Video 从隐式规则解码角度补充人工标注评测；CHAIN 则把被动生成推进到物理驱动的交互环境 [18] [20]。
同一时期，CoF-T2I 把视频中的渐进视觉状态反过来用于单张图像生成：模型先用中间帧逐步修正空间与组合关系，再取最终图像 [16]。这说明 video reasoning 不只是“解迷宫”，还可以成为其他生成任务的中间计算模块。
6.6 2026 年春：研究重心转向“推理发生在哪里”¶
- EndoCoT 用内生 latent thought 引导扩散模型，再把最终状态落到可见视频 [21]；
- Demystifying Video Reasoning 提出 Chain-of-Steps：关键计算主要沿扩散去噪步骤发生，而非只沿输出帧发生 [22]；
- Video Models Reason Early 则观察到早期计划承诺，并提出利用早期状态进行搜索的 ChEaP [26]；
- MME-CoF-Pro 和 Physion-Eval 表明“最终好看”“过程连贯”“人能识别物理错误”是不同维度 [23] [24]。
研究由行为学进入了机制学：不再只问模型答对了没有，而是用噪声干预、中间 latent、必要步骤和路径长度来定位计算过程。
6.7 2026 年夏：推理时适应、协作闭环与层级架构¶
- CollabVR 把 VLM 规划、视频生成和 VLM 验证组成逐步闭环 [28]；
- VLMs are Good Teachers 将 VLM 的判断转成可微奖励，在测试时在线更新视频模型 [31]；
- OpenCoF 同时引入视觉和文字 reasoning token，Hierarchical Denoising 用树形层级先探索粗粒度全局假设、再细化视觉状态 [33] [34]；
- Visual Prompt Engineering 说明改变视觉输入表示有时比增加文字提示或盲目扩大采样更有效 [35]；
- VGI-Bench 进一步测试输入敏感性、过程有效性和去噪中的自我修正 [36]。
- VBVR-Pro 复用并重写 VBVR 的 150 个任务，再新增 150 个，把图像、视频、交错生成、可验证 reward、多任务 RL 与机制探针放到同一平台比较 [48]。
这一步把研究推向一个更现实的结论：近期最强方案往往不是“一个视频模型一次性想完”，而是让生成、选择、验证和重规划形成系统。
6.8 2026 年 7—8 月：视觉轨迹、因果缺口与未见规则对照¶
同一阶段出现三项容易被标题或任务表面混在一起、却应分别归类的工作：
- UniVR 是视觉轨迹训练路线。 它以 Emu3.5 为底座，把视觉推理过程表示为纯视觉 demonstration；官方仓库描述的 VR-X 原始集合约 150 万样本，训练配方使用约 31 万 SFT 样本和 3 千条 RL 样本，并以全局与步骤聚焦奖励联合训练 [56]。这里的“纯视觉”指 reasoning trajectory 的主要载体，不等于整个系统没有语言：输入仍含文字指令，奖励构造还使用 VLM 与视觉特征。
- Thinking in Video 是因果—生成双判据。 这篇 2026 年 7 月预印本与 2025 年的 Thinking with Video [6] 不是同一工作。它把显式因果感知和隐式未来生成放到 1,500 个视频的 Causal-Generative Dual-Judge 中比较，并报告两者存在明显缺口 [57]。因此，“未来画得合理”只能说明生成分布有可接受样本，不能单独证明模型显式识别了真实因果关系。
- RuleMaze 是相邻的未见规则控制。 它面向 MLLM 的规则约束视觉空间规划，公开数据卡在冻结日显示 119,595 条记录，并分开 seen-rule 与 unseen-rule split；方法把感知、执行和规则验证解耦 [58]。它为 video reasoning 提供严格 split、可执行 validator 和前缀进度指标，但模型输出主体不是视频，因而不能计作视频生成器已经通过的里程碑。
这三项工作共同强化了一个验收原则：视觉轨迹的训练规模、生成未来的可信度、显式因果判断和未见规则泛化是四项不同证据，不能由其中一项替代其余三项。
7. 第一个响应：从成功案例到可重复 Benchmark¶
下面的表不把所有 benchmark 压成一个排行榜，而是比较它们提供的证据类型。
| 工作 | 规模与覆盖 | 主要评测对象 | 评分思路 | 最重要的贡献 | 主要边界 |
|---|---|---|---|---|---|
| Video models are zero-shot learners and reasoners [3] | 62 个定性任务、7 个定量任务；18,384 个视频 | 零样本视觉操作、推演与问题求解 | 任务专用分析、best-frame/pass@k 等 | 建立强视频模型存在零样本能力的广泛行为证据 | 黑盒产品含 prompt rewriter；best-of-\(k\) 混入搜索预算 |
| MME-CoF [5] | 原论文列 59 个 benchmark entries、12 个维度 | 短程空间、局部动力学、抽象与逻辑 | 多维人工/模型辅助评测 | 较早系统划分 Chain-of-Frames 能力 | VBVR 对比表写 120，与原论文口径不一致；长程因果和严格几何较弱 |
| Thinking with Video / VideoThinkBench [6] | 视觉中心与文字中心任务 | 把视频作为多模态思考介质 | 答案提取、自一致性和 ICL | 测试视频生成能否帮助 MATH、MMMU 等非传统任务 | Sora 2 是黑盒系统；答案提取和隐含语言模块会混入结果 |
| TiViBench [7] | 24 个场景、4 个维度、3 个难度 | 结构搜索、空间模式、符号逻辑、行动规划 | 候选生成 + VideoTPO 分析选择 | 明确测试时选择/反思可提升表现 | 提升不等同于基础生成器单次能力 |
| Gen-ViRe [8] | 6 个认知维度、24 个子任务 | world simulator 的视觉推理 | 多源数据 + VLM 辅助评测 | 揭示视觉质量与推理深度并不同步 | 自动 judge 仍需独立校准 |
| VR-Bench [9] | 论文报告 7,920 个程序化迷宫视频、5 类迷宫 | 路径规划与 test-time scaling | 路径/终点规则验证 | 提供可训练、可扩展、清晰判定的单任务试验床 | VBVR 表中的 train/test 分项合计 7,874，与原论文总数不一致；迷宫是窄域 |
| V-ReasonBench [10] | 合成与真实图像序列，多任务 | 结构化求解、空间、模式、物理 | 可确定的最终帧验证 | 降低 VLM 裁判误差，统一多类问题 | 正确终态仍可能掩盖错误过程 |
| RULER-Bench [13] | 40 个任务、6 类规则、622 个实例 | 规则发现、组合与执行 | GPT-o3 checklist；报告与人评 85% 一致 | 把“规则一致性”从画质中剥离 | 最佳模型规则一致性仅 48.87%；judge 不是完全确定性 |
| MMGR [14] | 抽象、具身、物理三域；五类能力 | 多模态生成式推理 | 跨模态任务评分 | 把图像/视频生成放入更统一的生成式推理视角 | ARC-AGI 等抽象任务仍低于 10%，能力高度不均衡 |
| VIPER / Beyond the Last Frame [15] | 16 个任务 | 中间过程与最终结果 | Process-Oriented Correctness, POC@\(r\) | 证明 outcome-only 容易被“结果投机”误导 | 论文所测 SOTA 的 POC@1 约 20%，过程能力仍很弱 |
| RISE-Video [18] | 467 个专家标注样本、8 类规则 | 从初始条件推演隐含世界规则 | TI2V、多项分解指标 | 以人类标注补足纯程序任务 | 样本量较小，开放规则的可重复评分更难 |
| VBVR-Bench [19] | 100 个任务：50 ID + 50 OOD；每任务 5 个样本 | 感知、空间、转换、抽象、知识 | 任务专用确定性规则 scorer | 大规模训练、可验证评测和 OOD scaling 一体化 | 合成分布、开环生成；OOD 与 ID 仍有约 15% 差距 |
| MME-CoF-Pro [24] | 303 个样本、16 类任务 | 必要中间步骤、文本/视觉提示作用 | Reasoning Score + 终态/质量指标 | 直接检查推理连贯性与提示干预 | 文本提示有时诱发不一致，说明语言解释不等于视觉执行 |
| Thinking in Video / CGDJ [57] | 1,500 个视频：900 个 Video-MME 样本 + 600 个输入/真实未来配对 | 显式因果感知与隐式未来预测是否一致 | 因果问题 + 生成未来双判据 | 直接暴露 perception–prediction gap | 预印本；未来合理性仍受生成评价器与配对协议影响 |
| CLVG-Bench [27] | 超过 1,000 个 metadata；6 类、47 子类 | 跨模态逻辑和交互能力 | AVE 自动评测器 | 扩展到更复杂的多模态推理 | 论文报告逻辑任务低于 25%，交互任务接近 0% |
| VGI-Bench [36] | 27 个任务、810 个实例 | 过程有效性、输入敏感性、视觉智能 | 任务 scorer + 内部去噪分析 | 把行为测试与机制探针结合 | 最强 Seedance 2 仍约 51%；晚期去噪多在精修早期假设 |
| RuleMaze（相邻 MLLM 对照） [58] | 数据卡 119,595 条；seen/unseen rule split | 规则约束的视觉空间规划 | 精确步骤、整迷宫正确率、前缀进度 | 提供未见规则与可执行 validator 的强控制 | 输出是 MLLM 规划轨迹而非生成视频，不能并入 VGM 排名 |
7.1 Benchmark 的四次迁移¶
- 从作品质量到任务成功：不再只问视频是否清晰，而问迷宫是否走通、规则是否执行。
- 从开放印象分到可验证 scorer：程序化终态、轨迹和物理量减少 VLM judge 的随意性。
- 从最终帧到过程：VIPER、MME-CoF-Pro 和 VGI-Bench 检查必要步骤、顺序与中间一致性。
- 从静态集合到干预和闭环：视觉提示、latent 噪声、路径长度、在线优化和交互反馈开始成为评测变量。
7.2 Scorer 本身必须审计¶
规则 scorer 并不天然正确：它可能被渲染误差、检测器阈值或数据泄漏影响；VLM judge 则可能忽略帧序、数量和局部几何。Physics-IQ Verified 对已有物理 benchmark 的复核发现，需要修改 57.6% 的样本和 34.8% 的 prompts，原始排序与复核排序的 Kendall \(\tau\) 仅 0.46 [32]。因此，benchmark 应公开：
- 原始输入、生成视频和逐样本得分；
- scorer 代码、阈值和失败样例；
- scorer 与多人标注的一致性及置信区间；
- 不同分辨率、帧采样和编码方式的敏感性；
- 被 scorer 错判的 adversarial 或视觉退化案例。
8. 第二个响应：从 Zero-Shot Sparks 到可训练能力¶
8.1 程序化监督微调¶
最直接的方法是用程序生成问题、初始状态、合法中间状态和答案视频，然后对视频扩散/flow 模型监督微调。VR-Bench 在迷宫上证明 SFT 可以显著唤起路径行为 [9]；VBVR 则把任务种类和样本规模同时放大，研究任务多样性、数据规模与 OOD 泛化 [19]。
MiniVeo3-Reasoner 给出了这条路线的开放工程切片：以 Wan2.2-TI2V-5B 为底座，用 LoRA 学习程序生成的 3×3 至 6×6 迷宫视频，并公开数据生成、训练、推理、轨迹解析和 EM/Progress Rate 评测脚本 [59]。官方仓库报告 3×3 至 5×5 的 EM 为 100%、6×6 为 98.4%，但 OOD 长路径降到 53.6%，8×8 降到 60.4%。这些是项目方结果，尚无技术报告或独立复现；它最能支持的是“窄域、固定渲染协议下可以训练出可执行视觉轨迹”，而不是通用视觉规划已经解决。
这种路线的优势是数据无限、标签准确、scorer 可执行；风险是模型记住渲染模板或局部运动模式，而没有学到可组合算法。可靠的 split 应同时隔离：
- 未见布局与长度；
- 未见规则及规则组合；
- 未见视觉风格与对象集合；
- 未见问题族，而不只是同族新样本。
8.2 从单一视频轨迹到视觉/文字 reasoning token¶
OpenCoF 构建约 17K 样本、11 个任务族的数据，并同时建模视觉与文字 reasoning token，意图让低层空间先验和高层符号规则互补 [33]。这类 unified multimodal reasoning 的关键不在“是否加入文字”，而在信息是否真正双向流动：文字计划能否约束视觉状态，视觉失败能否反过来修改文字计划。
UniVR 把另一条路线推进到统一视觉自回归模型：先用视觉 demonstration 做 SFT，再用 VR-GRPO 优化全局结果和高不确定步骤 [56]。其步骤奖励借助 VLM 评估与 CLIP 特征方差定位薄弱片段，因此最准确的归因是“视觉轨迹表征 + 外部构造的可验证奖励”，而不是“无需语言或外部裁判的内生视觉推理”。要判断它是否学到可组合算法，还需在未见规则、视觉风格和任务族上分别报告结果，而不能只看混合测试集平均分。
8.3 内生 latent thought 与层级推理¶
EndoCoT 让 MLLM 产生的指导与扩散模型的内生 latent thought 迭代交互，并在迷宫、TSP、视觉空间任务和数独上报告平均 92.1%、比基线高 8.3 个百分点 [21]。Hierarchical Denoising 则把平坦去噪改成树形搜索：先展开粗粒度全局假设，再细化局部视觉状态；论文在六类任务上报告成功率由 34.22% 提升到 60.29%，平均进度由 76.00% 提升到 89.56%，同时比双向扩散搜索快 54.2 倍 [34]。
它们共同指向一个架构判断：多步视觉推理可能需要显式分离全局计划、局部状态和最终渲染，而不是要求一个均匀的时空 denoiser 在同一表示里隐式完成全部工作。
8.4 可验证奖励与物理结构¶
NewtonRewards 不是奖励“看起来物理”，而是从光流和外观/质量代理量构造牛顿运动规律的可验证信号，在 NewtonBench-60K 和五类运动 primitive 上进行物理后训练 [12]。这条路线的重要性在于：
- 把自然语言“更符合物理”转成连续、可优化的量；
- 可以定位速度、质量代理或受力关系的具体错误；
- 为 RL、preference optimization 和 test-time adaptation 提供可执行 reward。
但代理量不等于真实物理变量。光流错误、遮挡、透视和相机运动都可能污染奖励，因此需要和干预实验、真实轨迹或模拟器状态交叉验证。
8.5 从 SFT 走向 RLVR¶
VideoRLVR 将 Maze、FlowFree、Sokoban 的程序正确性分解为 dense rewards，再以 SDE-GRPO 和 Early-Step Focus 优化视频模型；论文报告训练延迟约降低 40%，并在 VBVR OOD 上检查迁移 [41]。Wan-R1 则把 GRPO 适配到 flow-based VGM，发现通用多模态 reward model 容易失效，必须使用轨迹/embedding 级可验证 reward；其报告的 3D maze exact match 比 SFT 高 29.1 个百分点，trap avoidance 高 51.4 个百分点 [55]。
这类结果把问题从“视频模型能不能偶尔解对”推进到“什么 reward 能把合法轨迹稳定写进生成分布”。同时也必须防止 reward hacking：最终位置、轨迹长度和规则遵循要分别计分，并保留不参与训练的规则族和 scorer 做外部验证。
9. 第三个响应：从 Pass@10 到主动分配推理预算¶
| 路线 | 代表工作 | 是否改视频模型参数 | 外部模型角色 | 改善来自哪里 | 应怎样归因 |
|---|---|---|---|---|---|
| 多采样 | VR-Bench、零样本研究 | 否 | 可无 | 扩大候选覆盖 | 报 pass@1 与 pass@\(k\)，不能只报最好结果 |
| 候选反思与选择 | VideoTPO [7] | 否 | LLM 分析候选优缺点 | 选择与迭代 prompt | 属于系统级 test-time scaling |
| 外部关键帧规划 | VChain [4] | 适配器/少量训练 | MLLM 生成稀疏关键视觉思维 | 先给全局视觉锚点 | 规划能力不能全部归给 VGM |
| 去噪特征增强 | Demystifying / TFE [22] | 否 | 不必需 | 利用中间层与去噪阶段 | 更接近生成器内部机制 |
| 早期计划搜索 | Reason Early / ChEaP [26] | 否 | 评分器可选 | 早期丢弃错误计划，节省完整生成 | 必须控制总去噪计算量 |
| 视觉输入重表达 | Visual Prompt Engineering [35] | 否 | 可无 | 改变初始视觉问题表征 | 测到的是模型—输入接口共同能力 |
| 在线参数适应 | VLMs are Good Teachers [31] | 是，test-time LoRA | VLM 产生可微奖励 | 针对当前任务小步更新 | 已超出纯 inference-only，需计入更新成本 |
| 逐步生成—验证 | CollabVR [28] | 可不改基础模型 | VLM 规划下一步并验证 | 错误在短片段后被发现和重规划 | 属于协作式闭环系统 |
| 工具化 agent | NEWTON [30] | 可不改 | planner、科学计算、关键帧、verifier | 把物理推演拆成可审计工具链 | 视频生成器是行动模块之一 |
9.1 计算公平性是核心问题¶
若系统 A 生成一次，系统 B 生成 16 次并调用一个更强的 VLM 选择，两者不能只比较最终准确率。至少应报告：
\[
\text{success per compute},\quad \text{success per generated frame},\quad \text{latency},\quad \text{external-token cost}.
\]
第 1 节讨论的 5×5 迷宫结果就是典型例子：78% 的 pass@10 是候选覆盖上界，不是单次可靠性 [3]。因此，任何“self-consistency 提升”都应与同预算的随机重采样、早停、规则搜索和外部规划基线比较。
9.2 闭环往往比更长的开环更可靠¶
CollabVR 让 VLM 决定下一动作，VGM 只生成短片段，再由 VLM 检查结果并更新计划。论文在匹配计算预算下，把 VBVR-Wan 的得分从 0.671 提升到 0.757，并获得 73.8% 的人类偏好；但作者也发现收益受限于 VGM 对单步指令的遵循 [28]。这说明闭环能降低长程误差累积，却不能绕过基础动作执行能力。
VLMs are Good Teachers 走另一条闭环：从 VLM 判断中提取奖励，对 VGM 做在线 LoRA 优化。论文在 VBVR/RULER 上平均提升 16.7 个百分点，VBVR 从 0.666 提升到 0.781；对比 pass@5 只提升 0.017 [31]。代价是额外更新开销，且 reward 上限受 VLM 感知与校准能力限制。
10. 第四个响应：重审 Chain-of-Frames 的内部机制¶
10.1 Chain-of-Frames：可见帧究竟是推理，还是已定计划的动画？¶
第 1 节已经还原了原点论文的行为类比：路径每延伸一格、物体每移动一步、图形每变换一次，看起来都像一个可见 reasoning step。这种接口易于人类检查，也支持过程评分。后续机制研究追问的却是更严格的问题：这些帧是否真的承担了产生答案所必需的计算，还是模型先决定整条路径，再把计划动画化？时间相邻本身不能证明计算因果，最后若干帧偶然得到正确答案也不能证明此前过程忠实。
10.2 Chain-of-Steps：推理沿扩散去噪展开¶
Demystifying Video Reasoning 对去噪轨迹做中间解码与噪声干预，提出关键搜索发生在 diffusion steps。论文在 200 个样例中观察到约 72% 存在多路径/叠加候选；向某一去噪阶段注入噪声会把 VBVR-Wan2.2 从约 0.685 降到 0.3 以下，而扰动输出帧更不敏感，并据此提出 Training-Free Ensemble（TFE），使 VBVR-Wan2.2 由 0.685 提升到 0.716 [22]。
这说明“视频是答案展示”与“去噪是搜索过程”可以同时成立：输出帧是可观察轨迹，去噪轨迹才是产生它的内部计算。
10.3 Early Commitment：全局计划很早就定了¶
Video Models Reason Early 在迷宫和 FrozenLake 等任务上发现，路径长度比表面图像复杂度更能预测难度，并观察到约 12 步附近的急剧退化。其 ChEaP 方法利用早期计划承诺，在长迷宫上把准确率从 7% 提升到 67%，困难任务上平均约 2.5 倍提升 [26]。VGI-Bench 的内部分析也认为后期去噪通常精修早期假设，自我纠错有限 [36]。
相邻的 VLM 研究也观察到潜在视觉状态：Do multimodal models imagine electric sheep? 在 12 类视觉 puzzle 上从中间 activation 解码世界状态，并报告每步加入 16 个视觉 token 后平均成功率由 83% 提升到约 89% [29]。它不证明视频 diffusion 具有同一机制，但说明“不可见视觉状态参与推理”并非生成模型独有的假说。
10.4 Seriality Gap：更多去噪步不等于更多串行计算¶
The Seriality Gap in Video Diffusion Models 用可控的多球依赖链指出：双向 diffusion 在因果事件链变长时迅速退化，而单球、相同时长但没有串行依赖的对照不会同样下降 [44]。其理论与实验提醒我们，增加 denoising steps 并不会自动增加 backbone 的有效顺序计算深度。若一个问题必须完成“先 A、再由 A 决定 B、再由 B 决定 C”的深链，双向一次性生成可能在架构上就不占优势；自回归、分块、增加网络深度或显式层级状态更可能有效。
这也解释了为什么“更多帧”有时有益、有时反而积累几何漂移。Thinking in Frames 把帧数当作视觉 test-time compute，在迷宫中观察到长路径受益，却在 Tangram 中看到误差随帧累积 [40]。帧数只有在模型能把它转化为新的依赖计算时才是 compute；否则只是把既定计划渲染得更长。
10.5 三个“推理时钟”：统一表面冲突¶
现有论文的机制结论经常互相冲突，一个根本原因是它们观测了不同时间轴：
图注： 三条横轴不是同一条时间线的不同名字。输出帧能让过程可读；去噪状态可能在整段视频成形前决定计划；只有交互时钟中的新观测与 verifier 才能改变下一次动作。右侧阶梯表示主张强度：结果正确、过程有效、因果干预和闭环效用需要逐级新增实验，不能互相替代。
本节把这四级局部机制证据记作 R1–R4。它们只回答“视频推理结论由什么实验支持”，不等同于评测指南中世界模型能力的全局 L0–L7；例如 R4 闭环回报仍可能只发生在模拟器里，不能自动上升为全局 L7 现实效用。
顺序化文字替代：
- 输出时间从 \(x_1\) 走到 \(x_T\)，提供可观察轨迹和最终答案，但不单独证明内部因果计算。
- 去噪时间从 \(z_K\) 走到 \(z_0\)，可依次形成早期计划、绑定约束和完成渲染；必须配合 probe 与干预才构成机制证据。
- 交互时间依次执行动作、短 rollout、验证和重规划，再把下一动作送回环境；新反馈可以真正改变后续决策。
- 局部机制证据从 R1 最终答案、R2 过程有效、R3 因果干预逐级上升到 R4 闭环回报，每一级都需要新增对照。
回到研究问题，三个时钟分别测量：
- Output time：输出帧时间。 \(x_1\rightarrow x_2\rightarrow\cdots\rightarrow x_T\) 是否构成可读的 Chain-of-Frames。
- Denoising time：去噪时间。 同一整段视频从噪声到成形的 \(z_K\rightarrow\cdots\rightarrow z_0\) 中，何时决定全局计划、何时补全局部细节。
- Interaction time：交互时间。 系统执行一小步、观察结果、校验、重规划，再继续下一步。
一段视频可以在输出时间上逐帧展示解题，但路径早已在去噪早期确定；也可以在一次生成中不能纠错，却在交互时间上通过外部验证器完成闭环纠错。三个时钟分别测量可见状态轨迹、内部生成计算与系统反馈循环，不能用其中一个直接替代另外两个。
10.6 四种结论如何同时成立？¶
一个更统一、但仍待验证的解释是：
去噪早期：形成全局拓扑或动作骨架（early commitment）
↓
去噪中期：竞争候选被消解，局部约束和对象状态被绑定（denoising search）
↓
去噪后期：渲染、纹理和小范围修正（visual refinement）
↓
输出时间：把已形成的计划展开成可读的状态轨迹（chain of frames）
↓
交互时间：外部反馈允许真正回滚并重规划（closed-loop correction）
这是一种综合推断，不是已经被单篇论文证明的统一机制。不同模型架构、任务分支数、路径长度和 probe 方法都可能改变观察结果。
10.7 下一步应怎样做因果机制实验？¶
仅可视化 latent 不足以证明“模型在想”。更强的实验应包含：
- 时间定位：分别干预去噪早、中、晚期，测终态和过程分数，而非只看画质。
- 状态移植：把成功样本的中间 latent 移植到失败样本，检查计划是否随之改变。
- 路径分叉：构造同一初态、多个合法终态，测早期表示能否预测最终分支及其熵。
- 长度外推：固定画面复杂度，仅增加必要推理步数，定位容量阈值。
- 表征对照：同一算法问题用文本、栅格、自然图像和不同视觉 prompt 表达，分离算法能力与视觉接口。
- 渲染对照：给定正确抽象计划，测生成器能否忠实执行；给定错误计划，测它会盲从还是纠错。
- 闭环对照：同计算预算比较一次性长视频、短片段滚动、规则搜索、VLM verifier 和 oracle verifier。
11. 关键案例：VBVR 如何把原点议题做成规模化基础设施¶
11.1 当前 v3 的数据结构¶
VBVR v3（2026-08-27）正文报告 [19]：
- 150 个策划并公开的任务；
- 共 2,015,000 张图像、1,007,500 个 clips；
- 训练集为 100 个任务 × 每任务 10,000 clips = 1,000,000 clips；
- 测试数据为 150 个任务 × 每任务 50 clips = 7,500 clips；
- VBVR-Bench 从中使用 100 个任务，其中 50 个 in-domain、50 个 out-of-domain，每任务评测 5 个样本，共 500 个 benchmark 样本。
需要特别说明：部分早期摘要、搜索索引，甚至 v3 的一处遗留附录文字仍显示“200 tasks”。本章以 v3 的方法与数据主体正文为准，不能混用不同版本数字。
11.2 五类能力与可验证 scorer¶
| 能力 | 关注的问题 | 典型失败 |
|---|---|---|
| Perception | 是否正确读取颜色、数量、字符和局部关系 | 起点、对象或数量读错 |
| Spatiality | 是否保持位置、拓扑和几何约束 | 穿墙、走错格、相对位置漂移 |
| Transformation | 是否正确执行旋转、折叠、混合、连续运动 | 规则只执行一半或对象身份改变 |
| Abstraction | 是否发现并应用隐含规律 | 只模仿外观，不迁移规则 |
| Knowledge | 是否调用常识或给定符号知识 | 事实调用正确但视觉执行失败 |
每个任务配有确定性 0–1 scorer；论文报告规则 scorer 与人类判断的 Spearman 相关系数 $\rho\gt0.9$。不过该相关系数是在 9 个模型级 win-ratio 点上计算，并非 4,500 个视频级判断点；它支持模型排序大体一致，不证明每个 scorer 的每条过程规则都完整。附录中不同任务的 scorer 覆盖也不相同：有的检查动作顺序，有的主要检查终态、颜色和跳变。它比单一 VLM judge 更可重复，但还不是“全过程已被完全验证”。
11.3 关键结果与应有解释¶
| 模型/参考 | VBVR-Bench 总分 |
|---|---|
| Human | 0.974 |
| Wan2.2 base | 0.371 |
| Sora 2 | 0.546 |
| Veo 3.1 | 0.480 |
| VBVR-Wan2.2 | 0.685 |
| VBVR-LTX2.3 | 0.516 |
VBVR-Wan2.2 相对其 base 提升 84.6%。主文从 0K 画到 500K 的 scaling curve 中，ID 从 0.412 上升到 0.760，OOD 从 0.329 上升到 0.610；但二者持续相差约 15%，并在约 20–40 万训练样本后出现明显收益递减。数据集虽有 100 万训练 clips，不能把这条 500K 曲线写成“已展示完整 1M scaling”。
这支持：大量可验证视觉任务能把潜在能力转成稳定行为，并带来部分跨任务迁移。它不支持：只要继续堆数据就会自然获得通用视觉算法。持续 OOD gap 和早期饱和恰恰说明任务结构、表示、搜索和反馈机制仍是瓶颈。
微调也并非所有生成属性都单调变好：VBVR 报告 VBench-I2V 总分约由 0.8816 到 0.8835，camera-motion consistency 从 0.5444 提升到 0.6592，但 dynamic degree 从 0.5285 降到 0.4106。推理任务得分、画质、运动幅度和多样性应分开报告。
11.4 “先可控，再谈推理”¶
VBVR 的一个容易被忽略的观察是：基础模型可能重写场景、改变题目或忽略精确动作。此时失败首先是 controllability，不一定是 reasoning。反过来，一个能忠实执行给定轨迹的模型也未必自己计算出了轨迹。因此应做 2×2 分解：
| 能执行给定正确计划 | 不能执行给定正确计划 | |
|---|---|---|
| 能自行求出计划 | 真正的端到端视觉推理候选 | 推理有了，但生成控制不足 |
| 不能自行求出计划 | 是可靠执行器，不是独立 reasoner | 计划与执行都失败 |
12. 专题附录：VBVR 的引用网络如何继续扩散¶
12.1 它从哪些路线发展而来？¶
VBVR 的直接背景并不是单一论文，而是四股工作在 2025 年末汇合：
- 视觉状态作为思维介质：Pathways、MVoT、VChain [1] [2] [4]；
- 强视频模型的零样本涌现：Video models are zero-shot learners and reasoners、MME-CoF、Thinking with Video [3] [5] [6]；
- 可训练、可验证的任务集：VR-Bench、V-ReasonBench、RULER-Bench、NewtonRewards [9] [10] [12] [13]；
- 过程而不只是终态：TiViBench、Gen-ViRe、VIPER [7] [8] [15]。
因此，VBVR 的主要创新不是首次提出“视频会推理”，而是把此前分散的小规模行为证据变成可规模化训练和 OOD 检验的 suite。特别要注意，Demystifying Video Reasoning 发表于 VBVR v1 之后，只因 VBVR 在 8 月更新到 v3 才被反向纳入参考文献，不能把它写成历史前驱。
12.2 哪些后续工作实质性使用或推进了 VBVR？¶
截至检索日，Semantic Scholar 快照显示 22 条；再与 OpenAlex 全文命中及论文 PDF 参考文献逐篇交叉核验，至少确认 28 篇正式引用（27 篇 arXiv 论文、1 篇 OpenReview workshop 论文）。索引差异很大，因此判断时使用两个独立问题：该论文是否实质推进广义 video reasoning？VBVR 在该论文中是数据/模型/benchmark，还是只作 related work？
| VBVR 的实际角色 | 代表后续工作 | 关系与意义 |
|---|---|---|
| 直接复用任务/数据 | VBVR-Pro [48]、OpenCoF [33]、VideoRLVR [41] | VBVR-Pro 复用并重写 150 个任务，再新增 150 个；OpenCoF 取 30 个 VBVR 子任务、7,750 个视频；VideoRLVR 测 VBVR OOD transfer |
| 构造新的派生任务 | ChronoVision [47] | 从 VBVR-Dataset/Bench 采样重组 Vbvr-VQA，把生成式轨迹转成潜状态重建与时序问答诊断 |
| 直接训练或评测 | World Model Self-Distillation [43]、VLMs are Good Teachers [31]、SenseNova-U1 [42]、Apple-\(\pi\) [45]、VGI-Bench [36] | 分别用于 OOD puzzle、自适应测试时优化、VBVR-Image、物理定律评测及 synthetic transfer 审计 |
| 直接闭环评测 | CollabVR [28] | 直接使用 VBVR-Wan2.2 和 VBVR-Bench，检验 plan—generate—verify 的逐步协作 |
| 下游动态先验 | Articulated Object Reconstruction [46] | 直接使用 Wan2.2 + VBVR LoRA 生成关节运动假设，用几何一致性验证 3D 关节参数 |
| 直接做机制分析 | Demystifying Video Reasoning [22] | 主要抽取 VBVR 测试任务并分析 VBVR 微调模型，提出 Chain-of-Steps 和 TFE |
| 实质推进领域、VBVR 作背景/对照 | VIPE [35]、Seriality Gap [44]、Video-MME-Logical [50]、WorldReasonBench [49]、CLVG-Bench [27]、Reason Early [26]、MME-CoF-Pro [24]、EndoCoT [21]、IA-JEPA [51]、Physics-IQ Verified [32] | 研究输入接口、串行性、逻辑、世界推理、过程、早期计划、提示、latent thought、表征或 benchmark 审计；不能把贡献误写成“基于 VBVR” |
| 邻接/背景引用 | Visual General Intelligence white paper [54]、Deferred Exposure [53]、PaintBench [52] | 说明“程序任务 + 可验证 scorer”已扩散到通用视觉智能、自动驾驶和精确图像编辑，但不是这些工作的实验核心 |
逐篇核对后，至少 12 篇真正使用或继承了 VBVR 资产，其余是方法推进、benchmark 对照或背景引用。28 条标题、标识符、证据和角色记录在检索审计。数据库计数会继续变化，且修订版会产生“较晚论文被较早论文新版本引用”的非单向时间关系。
12.3 与 VBVR 并行但不应遗漏的路线¶
不是所有重要工作都引用 VBVR。NEWTON 将视频生成器嵌入物理 agent 工具链；World Reasoning Arena 和 CHAIN 把问题推进到交互与行动；Video Generation Models are General-Purpose Vision Learners 则从生成 backbone 提取通用感知表征 [20] [25] [30] [37]。按“是否引用 VBVR”筛文献会漏掉这些关键分支。
13. 回到原点论文：现阶段证据到底支持什么？¶
13.1 相对稳固的结论¶
- 强视频生成模型在若干空间、变换、搜索和局部物理任务上具有高于随机的零样本能力。
- 程序化 SFT、任务多样性和可验证奖励能显著提高单次任务成功率。
- 视觉质量、最终答案和过程正确性高度相关但不等价。
- 数据扩大对 ID/OOD 都有帮助，但会饱和，OOD gap 不会自动消失。
- 规划/验证/短片段重规划通常比一次性生成长轨迹更可靠。
- 去噪中间状态包含与最终计划相关、且在部分实验中具有因果作用的信息。
13.2 仍然不足以支持的说法¶
- “视频模型已获得通用逻辑推理。” 当前抽象逻辑、严格组合规则和长步数仍显著落后。
- “生成逼真的物理视频等于理解物理。” Physion-Eval 的 10,990 条专家推理轨迹显示，所测生成视频中 83.3% 的外部视角和 93.5% 的第一视角样本含有人可识别的 glitch [23]。
- “最终答案正确证明中间过程正确。” VIPER 直接表明 outcome hacking 普遍存在。
- “更强的外部 VLM 证明 VGM 更会推理。” 它证明的是组合系统更强，除非做模块替换和 oracle 对照。
- “开环视频生成就是 world model。” 没有动作条件、反事实一致性和闭环回报时，只能说它展示了某些模拟或视觉推演能力。
- “内部 probe 可读就证明那是思维。” 相关性 probe 需要由干预、移植和行为变化建立因果性。
14. 一个更严格的视频推理证据阶梯¶
| 层级 | 所需证据 | 能声称什么 | 仍不能声称什么 |
|---|---|---|---|
| 0 | 视觉上像在解题的个例 | 存在定性现象 | 稳定能力 |
| 1 | 可执行 scorer 的单次任务成功 | 在该任务分布上能完成目标 | 中间过程正确、可泛化 |
| 2 | 必要步骤、顺序、守恒量都正确 | 轨迹满足已定义过程约束 | 没用 shortcut |
| 3 | 未见规则、长度、风格和组合仍成功 | 有受限 OOD 泛化 | 开放世界通用性 |
| 4 | 同计算预算优于采样、搜索和外部规划基线 | 方法本身带来有效计算 | 内部机制已被解释 |
| 5 | 对内部计划状态做因果干预可预测地改变行为 | 找到具有因果作用的中间表示 | 表示等同人类思维 |
| 6 | 动作—观察—校验—重规划闭环提高真实/模拟环境回报 | 能支持交互式决策 | 跨环境通用世界模型 |
论文或产品最好明确自己到达哪一级，而不是统一使用“reasoning”这个模糊标签。
14.1 推荐的统一实验报告模板¶
任务与数据¶
- 任务生成规则、训练/测试任务族、ID/OOD 定义；
- 必要步数、分支数、视觉复杂度分别分桶；
- 自然图像与程序化渲染的比例；
- 去重、污染和 prompt 泄漏检查。
模型与预算¶
- 基础 checkpoint、微调数据、参数更新方式；
- 分辨率、帧数、fps、扩散步数、随机种子；
- pass@1、pass@\(k\)、筛选器和外部模型调用；
- 总延迟、显存、生成帧数与近似成本。
结果与过程¶
- answer、process、quality、OOD 四个分数分开；
- 每类任务和每个长度桶的置信区间；
- scorer—人评一致性与错判案例；
- 成功、失败、终态正确但过程错误三类视频。
归因与对照¶
- 文字 CoT、静态草图、视频 CoF、纯搜索同预算比较；
- oracle plan / oracle executor / oracle verifier 模块替换；
- 视觉 prompt、路径长度、去噪阶段和反馈频率消融；
- 训练时收益与测试时计算收益分开。
15. 从原始愿景到可靠 World Reasoning：下一阶段路线¶
路线 A：把“会做题”升级为“过程可证”¶
近期最可复现的方向是扩展程序化任务，但把完整状态图、合法操作、必要步骤和守恒量一起发布。目标不是再造一个更大的总分，而是让每个错误能归因到 perception、planning、execution、memory 或 rendering。
验收标准：scorer 与多人判断 $\rho\gt0.9$；终态正确但过程错误可以单独识别；未见规则与未见渲染风格分别报告。
路线 B：建立多时间尺度的机制模型¶
在同一 checkpoint 上同时观测输出帧、去噪 latent 和交互 rollout，检验“早期全局承诺—中期约束消解—后期渲染—外部闭环纠错”的统一假设。
验收标准：中间状态干预对最终计划有可预测因果效应；结论跨至少两种扩散/flow 架构和三类任务成立。
路线 C：把计算预算变成第一类指标¶
研究 adaptive compute：容易题早停，分叉多的题增加候选，只在低置信步骤调用 verifier。ChEaP、VideoTPO、TFE 和 test-time LoRA 可放入同一预算曲线比较。
验收标准：报告成功率—延迟—生成帧数 Pareto 曲线；在等 FLOPs、等外部调用和等 wall-clock 三种口径下都不靠隐藏预算取胜。
路线 D：从外部教师过渡到内生自校验¶
当前外部 VLM planner/verifier 有效，但会把瓶颈转移到 VLM。可以先用强教师产生错误解释、对比轨迹和 verifier 数据，再蒸馏进视频模型的中间状态或轻量 critic。
验收标准：移除外部教师后仍保留大部分增益；critic 能识别自身模型的新型错误，而不只拟合训练 scorer。
路线 E：跨过“视频推理—World Model”的证据鸿沟¶
将可验证视觉任务放入带动作和隐藏状态的环境：模型先预测候选后果，再选择动作，环境返回真实下一状态，模型据此修正。World Reasoning Arena、CHAIN、CollabVR 和 NEWTON 提供了不同起点 [20] [25] [28] [30]。
验收标准：不仅预测视频更像真值，而且提高任务回报；能在反事实动作、扰动和长时状态持续性上超过无 world-model 的策略基线。
路线 F：真实世界与科学任务¶
把迷宫式确定性逐步扩展到机器人操作、交通、材料运动和实验过程，同时保留传感器或模拟器中的可验证状态。不要直接从自然视频“看起来合理”跳到通用物理；应建立从离散规则、连续仿真到真实传感的逐级迁移。
验收标准：真实状态变量、视频观测与人工判断三方一致；对相机运动、遮挡和域偏移有单独控制实验。
16. 以原点论文为中心的阅读顺序¶
如果只读十余篇，建议先读原点，再按“回看前史 → benchmark → 训练与规模化 → 机制 → 闭环”展开：
- Video models are zero-shot learners and reasoners：先掌握广泛零样本现象、Chain-of-Frames 假说及其黑盒边界 [3]。
- Pathways on the Image Manifold 与 MVoT：倒叙理解连续视觉路径和视觉化中间状态这两条前史 [1] [2]。
- MME-CoF：看原始现象怎样被拆成能力维度及短程/长程差异 [5]。
- VR-Bench 与 V-ReasonBench：理解可执行终态评测 [9] [10]。
- VIPER：理解为什么正确终态不足以证明忠实过程 [15]。
- NewtonRewards 与 VideoRLVR：看可验证奖励怎样训练物理结构和多步任务 [12] [41]。
- VBVR：看任务多样性、百万规模监督和 ID/OOD scaling 怎样把原点议题变成基础设施 [19]。
- Demystifying Video Reasoning：从 Chain-of-Frames 转向 Chain-of-Steps 与因果干预 [22]。
- Video Models Reason Early 与 Seriality Gap：理解早期计划承诺、有效串行深度和计算上限 [26] [44]。
- CollabVR 与 VLMs are Good Teachers：比较外部反馈闭环与测试时参数适应 [28] [31]。
- OpenCoF 与 Hierarchical Denoising：看统一 token 和层级搜索的架构方向 [33] [34]。
- VGI-Bench 与 VBVR-Pro：用最新综合评测和多任务扩展回看原始愿景 [36] [48]。
完整检索、版本核验和前后向引用审计见 video reasoning 文献与引用审计。GVCLab 的早期清单 Awesome-Reasoning-via-VDM 已完成内容迁移：六项工作由本章既有条目承接，VMEvalKit 按历史别名归入 VBVR-EvalKit，MiniVeo3-Reasoner 与 DiffThinker 作为新增或相邻路线补入；逐项映射见融合审计。持续更新的社区目录可参考 Awesome Video Reasoning 
17. 与本知识地图其他章节的关系¶
- 想理解 video diffusion、flow、tokenizer 和 Transformer：先读生成模型路线，再用视频 Tokenizer与Video DiT / backbone分别核对表示和网络实现，系统发布面见视频基础模型路线。
- 想区分视觉推演与动作条件 world model：读从视频生成到 World Model。
- 想建立可重现的 scorer、人评和计算预算：读视频生成与世界模型评测。
- 想检查真实物理、守恒量和常见 glitch：读物理一致性的视频生成。
- 想按输入、输出和任务目标定位工作：读任务地图。
参考文献¶
[1] Pathways on the Image Manifold: Image Editing via Video Generation. Noam Rotstein, Gal Yona, Daniel Silver, Roy Velich, David Bensaïd, Ron Kimmel. CVPR. 2025.
[2] Imagine while Reasoning in Space: Multimodal Visualization-of-Thought. Chengzu Li, Wenshan Wu, Huanyu Zhang, Yan Xia, Shaoguang Mao, Li Dong, et al. ICML. 2025.
[3] Video models are zero-shot learners and reasoners. Thaddäus Wiedemer, Yuxuan Li, Paul Vicol, Shixiang Shane Gu, Nick Matarese, Kevin Swersky, et al. arXiv preprint. 2025.
[4] VChain: Chain-of-Visual-Thought for Reasoning in Video Generation. Ziqi Huang, Ning Yu, Gordon Chen, Haonan Qiu, Paul Debevec, Ziwei Liu. Findings of ACL, pages 226–250. 2026.
[5] Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark. Ziyu Guo, Xinyan Chen, Renrui Zhang, Ruichuan An, Yu Qi, Dongzhi Jiang, et al. Findings of CVPR, pages 9175–9184. 2026.
[6] Thinking with Video: Video Generation as a Promising Multimodal Reasoning Paradigm. Jingqi Tong, Yurong Mou, Hangcheng Li, Mingzhe Li, Yongzhuo Yang, Ming Zhang, et al. CVPR, pages 41121–41129. 2026.
[7] TiViBench: Benchmarking Think-in-Video Reasoning for Video Generative Models. Harold Haodong Chen, Disen Lan, Wen-Jie Shu, Qingyang Liu, Zihan Wang, Sirui Chen, et al. CVPR. 2026.
[8] Can World Simulators Reason? Gen-ViRe: A Generative Visual Reasoning Benchmark. Xinxin Liu, Zhaopan Xu, Kai Wang, Yong Jae Lee, Yuzhang Shang. arXiv preprint. 2025.
[9] Reasoning via Video: The First Evaluation of Video Models' Reasoning Abilities through Maze-Solving Tasks. Cheng Yang, Haiyuan Wan, Yiran Peng, Xin Cheng, Zhaoyang Yu, Jiayi Zhang, et al. arXiv preprint. 2025.
[10] V-ReasonBench: Toward Unified Reasoning Benchmark Suite for Video Generation Models. Yang Luo, Xuanlei Zhao, Baijiong Lin, Lingting Zhu, Liyao Tang, Yuqi Liu, et al. arXiv preprint. 2025.
[11] Video-as-Answer: Predict and Generate Next Video Event with Joint-GRPO. Junhao Cheng, Liang Hou, Xin Tao, Jing Liao. CVPR. 2026.
[12] What about gravity in video generation? Post-Training Newton's Laws with Verifiable Rewards. Minh-Quan Le, Yuanzhi Zhu, Vicky Kalogeiton, Dimitris Samaras. arXiv preprint. 2025.
[13] RULER-Bench: Probing Rule-based Reasoning Abilities of Next-level Video Generation Models for Vision Foundation Intelligence. Xuming He, Zehao Fan, Hengjia Li, Fan Zhuo, Hankun Xu, Senlin Cheng, et al. arXiv preprint. 2025.
[14] MMGR: Multi-Modal Generative Reasoning. Zefan Cai, Haoyi Qiu, Tianyi Ma, Haozhe Zhao, Gengze Zhou, Kung-Hsiang Huang, et al. arXiv preprint. 2025.
[15] Beyond the Last Frame: Process-aware Evaluation for Generative Video Reasoning. Yifan Li, Yukai Gu, Yingqian Min, Zikang Liu, Yifan Du, Kun Zhou, et al. ACL, pages 20393–20409. 2026.
[16] CoF-T2I: Video Models as Pure Visual Reasoners for Text-to-Image Generation. Chengzhuo Tong, Mingkun Chang, Shenglong Zhang, Yuran Wang, Cheng Liang, Zhizheng Zhao, et al. arXiv preprint. 2026.
[17] Visual Generation Unlocks Human-Like Reasoning through Multimodal World Models. Jialong Wu, Xiaoying Zhang, Hongyi Yuan, Xiangcheng Zhang, Tianhao Huang, Changjing He, et al. arXiv preprint. 2026.
[18] RISE-Video: Can Video Generators Decode Implicit World Rules?. Mingxin Liu, Shuran Ma, Shibei Meng, Xiangyu Zhao, Zicheng Zhang, Shaofeng Zhang, et al. arXiv preprint. 2026.
[19] A Very Big Video Reasoning Suite. Maijunxian Wang, Ruisi Wang, Juyi Lin, Ran Ji, Thaddäus Wiedemer, Qingying Gao, et al. arXiv preprint. 2026. See also the official benchmark and EvalKit 
[20] From Perception to Action: An Interactive Benchmark for Vision Reasoning. Yuhao Wu, Maojia Song, Yihuai Lan, Lei Wang, Zhiqiang Hu, Yao Xiao, et al. arXiv preprint. 2026.
[21] EndoCoT: Scaling Endogenous Chain-of-Thought Reasoning in Diffusion Models. Xuanlang Dai, Yujie Zhou, Long Xing, Jiazi Bu, Xilin Wei, Yuhong Liu, et al. arXiv preprint. 2026.
[22] Demystifying Video Reasoning. Ruisi Wang, Zhongang Cai, Fanyi Pu, Junxiang Xu, Wanqi Yin, Maijunxian Wang, et al. arXiv preprint. 2026.
[23] Physion-Eval: Evaluating Physical Realism in Generated Video via Human Reasoning. Qin Zhang, Peiyu Jing, Hong-Xing Yu, Fangqiang Ding, Fan Nie, Weimin Wang, et al. arXiv preprint. 2026.
[24] MME-CoF-Pro: Evaluating Reasoning Coherence in Video Generative Models with Text and Visual Hints. Yu Qi, Xinyi Xu, Ziyu Guo, Siyuan Ma, Renrui Zhang, Xinyan Chen, et al. arXiv preprint. 2026.
[25] World Reasoning Arena. Qiyue Gao, Kun Zhou, Jiannan Xiang, Zihan Liu, Dequan Yang, Junrong Chen, et al. arXiv preprint. 2026.
[26] Video Models Reason Early: Exploiting Plan Commitment for Maze Solving. Kaleb Newman, Tyler Zhu, Olga Russakovsky. arXiv preprint. 2026.
[27] How Far Are Video Models from True Multimodal Reasoning?. Xiaotian Zhang, Jianhui Wei, Yuan Wang, Jie Tan, Yichen Li, Yan Zhang, et al. arXiv preprint. 2026.
[28] CollabVR: Collaborative Video Reasoning with Vision-Language and Video Generation Models. Joowon Kim, Seungho Shin, Joonhyung Park, Eunho Yang. arXiv preprint. 2026.
[29] Do multimodal models imagine electric sheep?. Santhosh Kumar Ramakrishnan, Carl Vondrick, Raja Giryes, Philipp Krähenbühl, Vladlen Koltun. arXiv preprint. 2026.
[30] NEWTON: Agentic Planning for Physically Grounded Video Generation. Yuxiang Feng, Juncheng Wang, Chao Xu, Yijie Qian, Huihan Wang, Wenlong Hou, et al. arXiv preprint. 2026.
[31] VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization. Junhao Cheng, Liang Hou, Tianxiong Zhong, Xin Tao, Pengfei Wan, Kun Gai, et al. arXiv preprint. 2026.
[32] Physics-IQ Verified. Tim Rädsch, Yuki M. Asano, Hilde Kuehne, Stefan Bauer, Priyank Jaini, Robert Geirhos, et al. arXiv preprint. 2026.
[33] OpenCoF: Learning to Reason Through Video Generation. Xinyan Chen, Ziyu Guo, Renrui Zhang, Dongzhi Jiang, Hongsheng Li. arXiv preprint. 2026.
[34] Hierarchical Denoising For Multi-Step Visual Reasoning. Zezhong Qian, Xiaowei Chi, Chak-Wing Mak, Tianze Zhou, Ruibin Yuan, Yuhan Rui, et al. arXiv preprint. 2026.
[35] Visual prompt engineering for video models. Robert Geirhos, Yuxuan Li, Thaddäus Wiedemer, Neha Kalibhat, Zi Wang, Mani Malek, et al. arXiv preprint. 2026.
[36] VGI-Bench: Probing Visual Intelligence in Video Generation Models. Xuan He, Cong Wei, Yuhao Cheng, Linrui Ma, Yuxuan Zhang, Zuojun Li, et al. arXiv preprint. 2026.
[37] Video Generation Models are General-Purpose Vision Learners. Letian Wang, Chuhan Zhang, Rishabh Kabra, Jasper Uijlings, Steven Waslander, Andrew Zisserman, et al. ECCV. 2026.
[38] Awesome Video Reasoning
[39] How Far is Video Generation from World Model: A Physical Law Perspective. Bingyi Kang, Yang Yue, Rui Lu, Zhijie Lin, Yang Zhao, Kaixin Wang, et al. ICML. 2025.
[40] Thinking in Frames: How Visual Context and Test-Time Scaling Empower Video Reasoning. Chengzu Li, Zanyi Wang, Jiaang Li, Yi Xu, Han Zhou, Huanyu Zhang, et al. arXiv preprint. 2026.
[41] Video Models Can Reason with Verifiable Rewards. Tinghui Zhu, Sheng Zhang, James Y. Huang, Selena Song, Xiaofei Wen, Yuankai Li, et al. arXiv preprint. 2026.
[42] SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture. Haiwen Diao, Penghao Wu, Hanming Deng, Jiahao Wang, Shihao Bai, Silei Wu, et al. arXiv preprint. 2026.
[43] World Model Self-Distillation: Training World Models to Solve General Tasks. Sebastian Stapf, Pablo Acuaviva Huertos, Aram Davtyan, Paolo Favaro. arXiv preprint. 2026.
[44] The Seriality Gap in Video Diffusion Models. Jorge Diaz Chao, Konpat Preechakul, Yuxi Liu, Yutong Bai. arXiv preprint. 2026.
[45] Apple-π: Benchmarking Thinking with Video Towards Law-Grounded Physical Intelligence. Runmao Yao, Kairui Hu, Yukang Cao, Ruisi Wang, Shulin Tian, Ziang Cao, et al. arXiv preprint. 2026.
[46] Articulated Object Reconstruction from Rest-State Observation. Daeun Lee, Jaeah Lee, Woosung Kim, Haebeom Jung, Jaesik Park. ECCV. 2026.
[47] ChronoVision: Temporal Reasoning via Latent State Reconstruction. Yifan Shen, Jian Xu, Boyi Li, Yuner Zhang, Tianjiao Yu, Bingxuan Li, et al. arXiv preprint. 2026.
[48] VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning. Junxiang Xu, Ruisi Wang, Fanyi Pu, Maijunxian Wang, Ran Ji, Tongxi Zhou, et al. arXiv preprint. 2026.
[49] WorldReasonBench: Human-Aligned Stress Testing of Video Generators as Future World-State Predictors. Keming Wu, Yijing Cui, Wenhan Xue, Qijie Wang, Xuan Luo, Zhiyuan Feng, et al. arXiv preprint. 2026.
[50] Video-MME-Logical: A Controlled Diagnostic Benchmark for Video Temporal-Logical Reasoning. Hohin Kwan, Hongyu Li, Ray Zhang, Manyuan Zhang, Xianghao Kong, Anyi Rao, et al. arXiv preprint. 2026.
[51] Entity-Centric World Models: Interaction-Aware Masking for Causal Video Prediction. Santosh Kumar Paidi. arXiv preprint. 2026.
[52] PaintBench: Deterministic Evaluation of Precise Visual Editing. Kai Xu, Ellis Brown, Shrikar Madhu, Rob Fergus, He He, Saining Xie. arXiv preprint. 2026.
[53] Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs. Zixuan Huang, Yang Zhou, Kaixuan Wang, Guli Zhang, Hongyan Xie, Yakun Zhu, et al. arXiv preprint. 2026.
[54] Visual General Intelligence: A White Paper. Hirokatsu Kataoka, Yoshihiro Fukuhara, Yonglong Tian, Shangzhe Wu, Oishi Deb, Ryousuke Yamada, et al. arXiv preprint. 2026.
[55] Wan-R1: Verifiable-Reinforcement Learning for Video Reasoning. Ming Liu, Yunbei Zhang, Shilong Liu, Liwen Wang, Wensheng Zhang. arXiv preprint. 2026.
[56] UniVR: Thinking in Visual Space for Unified Visual Reasoning. Zhongwei Ren, Yunchao Wei, Yao Zhao, Weibo Gong, Xiao Liu, Anran Wang, Xiangtai Li, Xiaojie Jin. arXiv preprint. 2026. See also the official repository 
[57] Thinking in Video: Can Video Generators Really Reason About the Real World?. Yongheng Zhang, Guang Yang, Ruihan Hou, Qiguang Chen, Ziang Liu, Xiaolong Liu, et al. arXiv preprint. 2026. See also the official repository 
[58] Rule-Compliant Visual Spatial Planning for Multimodal Large Language Models. Yu Chen, Ting Lei, Yaoyi Li, Jia Cai, Zhecen Wu, Yang Liu. arXiv preprint. 2026. See also the official repository 
[59] MiniVeo3-Reasoner: Thinking with Videos from Open-Source Priors. Jialong Wu, Tianhao Huang, Changjing He, Mingsheng Long. GitHub engineering release, 2025; no technical report as of 2026-09-02. See also the released LoRA weights.
[60] DiffThinker: Towards Generative Multimodal Reasoning with Diffusion Models. Zefeng He, Xiaoye Qu, Yafu Li, Tong Zhu, Siyuan Huang, Yu Cheng. ICML. 2026; first posted in 2025. See also the project page and official repository.