最新研究指出，尽管Veo、Sora等视频生成模型展现出惊人的合成能力和“帧链推理”潜力，但MME-CoF基准测试揭示它们主要依赖数据模式进行“表演”而非真正具备零样本逻辑推演能力。这项发现强调了从表面生成到深层理解的重大技术鸿沟，预示着未来AI发展需融合混合架构和具身学习等方法，以实现通用视觉智能并解锁更广泛的商业和社会应用价值。