论文页 - 视频模型的视觉提示工程

来源: https://huggingface.co/papers/2607.25537

摘要

在基础模型时代，模型的表现完全取决于其提示的质量。因此，提示工程已成为提升语言模型性能的关键技术。鉴于视频模型目前正成为视觉任务（如视觉推理）的基础模型，我们在此探究它们是否同样能从视觉提示工程中受益：即通过自动修改任务图像来提升模型性能。例如，对于一个视觉物理推理任务（“球经过一组障碍物后落在哪里？”），通过简单调用图像编辑模型，可以将抽象草图风格的场景转化为照片级真实感版本。我们发现，视觉提示工程（简称VIPE）能提升视频模型在各类任务中的推理性能。事实上，对于视频模型，视觉提示工程比传统的文本提示工程或测试时扩展（test-time scaling）更为有效。最终，正如基于文本的提示工程能系统性地提升语言模型性能，视觉提示工程可作为简单、计算高效的方法，从视频模型中激发更好的视觉推理性能。示例视频请访问我们的项目页面：https://visual-prompt-engineering.github.io/。

查看 arXiv 页面 (https://arxiv.org/abs/2607.25537) 查看 PDF (https://arxiv.org/pdf/2607.25537) 项目页面 (https://visual-prompt-engineering.github.io/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.25537)

引用本论文的模型

无模型链接本论文

请在模型 README.md 中引用 arxiv.org/abs/2607.25537 以从此页面链接。

引用本论文的数据集

无数据集链接本论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.25537 以从此页面链接。

引用本论文的 Spaces

无 Space 链接本论文

请在 Space README.md 中引用 arxiv.org/abs/2607.25537 以从此页面链接。

包含本论文的收藏

无收藏包含本论文

请将本论文添加到一个收藏 (https://huggingface.co/new-collection) 以从此页面链接。