视频模型能不能通过生成视频来解决推理问题？——
答案是能。尤其在空间类任务（比如走迷宫）上，比图文模型更擅长，更稳。
DeepWisdom研究团队提出：视频生成模型不仅能画画，更能推理。
它们通过生成连续的视频帧来进行时空规划，这种能力在处理复杂空间任务时，甚至超越了GPT-5和Gemini 2.5 Pro等顶尖的多模态大模型。
为了验证这一观点，团队推出了VR-Bench——这是首个通过迷宫任务评估视频模型空间推理（spatial reasoning）能力的基准测试。
那团队是如何提出这一观点的呢？
视频生成模型真的懂逻辑吗？
试想你在玩一个超复杂的3D迷宫游戏。作为人类，大脑绝不会把这事拆成一串枯燥的文字指令，一边走一边在心里念：“往前走两步”“看到灰墙停下”“再左转九十度”。
这种纯靠文字推理的方式，其实是在对丰富的现实世界进行降维。
三维空间里连续的纵深感、各种物理规律，被硬生生挤压成干瘪的符号，就像你在电话里给朋友指路：你说“在红房子那儿左转”，对方追问“深红还是粉红”；你说“再往前走一点”，对方不知道是五米还是五十米。路线一复杂，信息在语言转译中不断丢失，双方很快会迷路。
而真实情况是，你在脑海中构建的是一个动态的视觉场景。
每一帧画面都承载着大量信息：你不仅看到路怎么走，还能直觉到墙壁的质感、光线明暗，以及前方通道有多深。你会像放电影一样在脑中预演路线，这种连续画面天然地把空间连贯性和因果关系串起来。
于是，你甚至还没迈出第一步，就已经“看见”哪条路是死胡同，凭直觉就能完成复杂的空间规划，而不必费劲把画面翻译成文字。
目前的AI领域正处于一个十字路口：大语言模型（LLM）通过“思维链”（CoT）学会了用文字进行逻辑推理，那么视频生成模型呢？
Sora和Veo3生成的视频虽然逼真，但它们真的理解物理空间和因果逻辑吗？还是仅仅在通过概率“猜”下一帧的像素？
问题到底出在哪？
让我们先看看现有方案的局限性。
长期以来，视频生成模型的评测标准一直停留在“好不好看”上——画质是否清晰、动作是否流畅、是否符合文本描述以及物理规律。
这导致我们忽略了视频模型作为World Simulator的核心潜能：对物理世界动态演变的预测与规划能力。
另一方面，目前主流的视觉推理依赖于“视觉语言模型”（VLM）。
它们的做法是“Reasoning via Text”——将看到的图像转化为文本描述，然后在语言的潜在空间里进行推理。
而本论文指出，这种方式在面对复杂的空间导航时存在天然缺陷：当迷宫变大、维度变高（如3D）时，描述环境所需的文本量呈指数级爆炸，导致模型“上下文饱和”，最终迷失方向。
视频帧就是推理的脚手架
基于这个困境，VR-Bench提出了一个新范式：Reasoning via Video。
在这个范式中，视频模型不是在生成结果，而是在生成过程。
每一帧画面的生成，实际上就是模型在进行一步推理。连续的视频帧构成了“帧链”（Chain-of-Frame），它天然地包含了空间的一致性和时间的因果性。
为了系统性地衡量这种能力，VR-Bench构建了一个包含7920个程序化生成视频的庞大测试场，涵盖五大类高难度空间任务：
-
常规迷宫 (Regular Maze)：基础的空间导航与路径规划。 -
不规则迷宫 (Irregular Maze)：摒弃网格，使用曲线路径，考验纯视觉感知而非坐标记忆。 -
3D迷宫 (3D Maze)：引入高度与遮挡，测试模型在立体空间中的推理能力。 -
陷阱场 (Trapfield)：要求模型不仅要由起点到终点，还必须避开特定的陷阱区域，考验反向约束逻辑。 -
推箱子 (Sokoban)：最高难度的逻辑任务，模型必须理解物体间的相互作用力与推动规则。
有了“裁判”，才能有“进化”：为视频模型构建客观的奖赏机制
为什么 LLM 能通过强化学习学会复杂的数学推理？
核心在于答案是唯一的，对就是对，错就是错。Jason之前提出了一个Verifier Rule，即训练AI解决某项任务的难易程度与该任务的可验证性成正比。
但在视频生成领域，我们长期缺乏这种硬指标。
模型生成了一段视频，到底逻辑对不对？以往我们只能模糊地说“看着不错”，这导致模型难以获得明确的奖励信号来进行评估。
VR-Bench填补了这块空白。它不看颜值，看轨迹。通过像自动驾驶系统一样追踪视频中物体的运动路径，并将其与最优路径进行比对，我们为视频模型建立了一套像数学题一样客观的评分体系：
-
成功率 (Success Rate, SR)：这是最基础的结果奖励。它只看一点：你有没有到达终点？哪怕你是利用模型 Bug “穿墙”过去的，或者瞬移过去的，只要到了终点就算成功。这保证了模型至少要有完成任务的驱动力。· -
精确匹配率 (Exact Match, EM)：这是最严苛的稀疏奖励，对应数学推理中的过程结果全对。它要求模型不仅要到终点，还必须严丝合缝地走在最优路径上，一步走错即为零分。 -
精确率 (Precision Rate, PR)：这是过程奖励。它告诉模型“你在第几步开始走歪的”。这种反馈能让模型知道自己错在哪，从而更细致地修正策略。
-
步骤偏差 (Step Deviation, SD)：这是效率奖励。类似于外卖骑手规划路线，不仅要送到，还要不绕路。它量化了路径的冗余程度，要求模型又快又准。
这一设计的深远意义在于：它构建了一个完美的“奖励机制”。
VR-Bench 首次将视频评测从视觉鉴赏转为理性的路径验证。这套清晰的信号系统，为未来引入强化学习、让视频模型探索空间规律铺平了道路。
有了这套机制，视频生成模型也有望迎来属于它们的“R1时刻”。
视频模型在空间推理上有巨大优势
VR-Bench的实验结果揭示了视频模型在空间推理上的巨大优势。
推理性能的飞跃
在处理简单的迷宫任务时，像GPT-5 High或Gemini 2.5 Pro这样的VLM确实能与顶尖的视频模型分庭抗礼，甚至在某些指标上略胜一筹 。
但一旦我们将迷宫难度提升到困难模式，VLM的性能就会遭遇断崖式下跌。
相比之下，视频生成模型展现出了令人惊讶的泛化鲁棒性。
在面对大规模、高难度的迷宫挑战时，Sora-2和Seedance-1.0-pro等视频模型全面超越了GPT-5等顶尖VLM。
这种逆袭并非偶然，而是源于底层推理范式的根本差异：VLM试图将静态视觉转化为文本Token，随着迷宫规模扩大，海量的Token迅速导致上下文饱和，从而阻断了长程推理能力。
反观视频模型，它们通过构建时空连贯的Chain-of-Frame进行推理，这种“视觉动力学”机制保证了无论场景多么复杂，每帧的视觉 Token 密度都保持稳定，从而天然地维持了空间连续性。
数据更是揭示了一个反直觉的现象：Sora-2在不规则迷宫的高难度设定下，其成功率（SR）甚至出现了不降反升的趋势。
这一发现强有力地证明，视频生成不仅仅是视觉模拟，更是一种比文本更具可扩展性的、原生的空间推理范式。
更符合物理直觉的路径
实验还发现了一个有趣的现象：即便VLM偶尔能找到终点，它们规划的路径往往也是扭曲且冗余的。
数据显示，VLM 的步骤偏差（Step Deviation）极高，意味着它们在瞎走冤枉路。而视频模型生成的路径则平滑、高效，紧贴最优解。这说明视频模型真正理解了空间结构，而不是在瞎猜。
Wan-R1：不仅仅是微调
为了验证这种推理能力是否可以被高效学习，作者团队基于开源的Wan2.2-TI2V-5B进行了监督微调（SFT），训练出了 Wan-R1。
值得注意的是，团队进行了一项严苛的对比实验：在完全相同的训练数据和接近的训练设置下，同时微调了Wan2.2-TI2V-5B 和 Qwen2.5-VL-7B。
结果显示，Wan-R1展现出了远超VLM的卓越潜力，证明了“Reasoning via Video”在学习时空逻辑上的天然优势。
-
压倒性的成功率：在陷阱场（Trapfield）任务中，Wan-R1 实现了100.0% 的完美成功率，而同样经过微调的 Qwen2.5-VL-7B-SFT 仅为52.8%，差距接近一倍。 -
更精准的路径匹配：在复杂的3D迷宫中，Wan-R1的精确匹配率（Exact Match）达到了65.3%，而Qwen2.5-VL-7B-SFT仅为31.9%。这也印证了视频模型能更好地学习时间推理和高效路径规划，而VLM即使经过微调，改进也相对有限。
此外，Wan-R1 的表现还证明了泛化能力的真实存在：
-
难度泛化：仅用简单难度的迷宫训练，模型竟然学会了解决困难迷宫，并没有止步于记忆简单模式。 -
材质泛化：训练时只见过一种皮肤，测试时面对从未见过的全新纹理背景（如草地、金属地板），依然能稳定推理。 -
任务泛化：在某一类迷宫上训练后，模型在未见过的其他类型迷宫上也表现出了性能提升，表明其学到可迁移的空间推理能力。
这有力地反驳了“模型只是记住了地图”的质疑，证明了模型确实内化了通用的空间规划与物理模拟逻辑。
这篇论文引人深思的发现在于视频模型也存在类似于大语言模型的Test-Time Scaling效应。
在大语言模型中，我们知道通过增加推理时的计算量（如Self-Consistency）可以提升准确率。VR-Bench发现，视频模型同理。
当研究人员让视频模型对同一个任务进行多次生成（增加采样数K），并从中通过算法筛选最优解时，模型的推理性能呈现出明显的上升趋势。
实验数据表明，当采样数K从1增加到16时，模型在各类迷宫上的平均性能提升了10-20%。
展望
目前，作者已在Github开源了代码和数据集。感兴趣的朋友可以自己创造不同的迷宫种类，并用自己的视频模型进行评测。
论文地址：https://arxiv.org/abs/2511.15065
代码地址：https://github.com/FoundationAgents/VR-Bench
数据集：https://huggingface.co/datasets/amagipeng/VR-Bench
网页地址: https://imyangc7.github.io/VRBench_Web/
