Xinyan Chen氏らの研究チームは7月9日(現地時間)、動画生成を通じて人工知能 (AI) の推論能力を向上させる新フレームワーク「オープンコフ (OpenCoF)」を発表した。OpenCoFは、推論特化型の動画データセット「OpenCoF-17K」と、このデータセットで訓練された動画モデル「Wan-CoF」で構成される。時系列に連結されたフレームから論理的帰結を導く「Chain-of-Frame (CoF) 推論」を実現し、AIのより高度な理解能力に貢献するという。
これまで多くの動画生成モデルは汎用動画コーパスで訓練されており、複雑なChain-of-Frame (CoF) 推論に特化した監視や設計が不足しているという課題があった。このギャップを埋めるため、研究チームはOpenCoFを導入した。
OpenCoFの中核をなす「Wan-CoF」モデルは、11の異なるタスクファミリーにわたる合計1万7000件の推論動画データで構成されるデータセット「OpenCoF-17K」を用いて訓練された。この広範なデータセットは、モデルが多様なシナリオにおいて効果的に推論を行うための基礎を提供する。Wan-CoFを4つの主要な動画推論ベンチマークで評価した結果、ベースラインモデルであるWan2.2-I2V-A14Bと比較して、全ての評価項目で性能向上が確認された。これは、OpenCoFが既存手法を上回る推論能力を持つことを示す。
研究チームはCoF能力をさらに強化するため、モデルに視覚およびテキスト推論トークンを組み込む先進的な設計手法を考案した。これらのトークンは、それぞれ動画内の空間的推論に必要な低レベルの視覚的キューと、時間的推論に必要な高レベルのセマンティックな事前情報を捉えるように設計されている。詳細な性能比較とアテンション分析を通じて、これらのトークンがモデルの深さ、デノイジングステップ、ならびに空間的および時間的認識にどのように貢献するかを検証した。
この検証から得られた知見は、より強力な動画推論システムを構築するには、広範な時間的監視と、推論の中間状態を明確に整理するための明示的なメカニズムの両方が不可欠であるという結論を導いた。この研究成果は、動画生成に基づく推論研究分野に新たな方向性を示唆する。研究チームは、この分野のさらなる探求を促進するため、開発したデータセット、モデル、および関連コードをオープンソースとして公開している。
参考: arXiv cs.CV (アーカイブ) — 2026年7月10日 02:58 (JST)