OpenCoF: Aprendizaje de Razonamiento mediante Generación de Video | Cadena de pensamiento visual para comprensión de causalidad física | Razonamiento multimodal avanzado a través de síntesis temporal de video

Abstract

PROBLEMA: El razonamiento en modelos de IA se ha centrado principalmente en texto (Chain-of-Thought), pero entender la causalidad física y las transformaciones temporales en el mundo real requiere una comprensión visual profunda que los LLMs puros no poseen. SOLUCIÓN: OpenCoF propone "Aprender a Razonar a través de la Generación de Video". La idea es que al obligar al modelo a generar los pasos intermedios de una acción física en video, este desarrolla una comprensión interna de la causalidad y las leyes físicas (una forma de CoF visual). METODOLOGÍA: Entrenan un modelo de difusión latente condicionado en instrucciones de razonamiento paso a paso, donde cada "paso del pensamiento" se traduce en un segmento de video coherente que demuestra la resolución de un problema. RESULTADOS: El modelo supera a los sistemas de razonamiento visual tradicionales en benchmarks de física intuitiva y resolución de problemas espaciales. RELEVANCIA: Este enfoque representa un puente entre los LLMs cognitivos y los modelos de mundo robóticos, permitiendo una IA que "entiende" las consecuencias de sus acciones visualmente.