OpenCoF: Aprendizaje del Razonamiento a través de la Generación de Video | Integración de Chain-of-Thought visual para mejorar la comprensión de la física | Cómo usar la predicción de video como espacio latente para el razonamiento de la IA

Abstract

PROBLEMA: El razonamiento Chain-of-Thought (CoT) tradicional es textual, lo que limita la capacidad de los modelos para comprender dinámicas físicas y espaciales del mundo real. SOLUCIÓN: OpenCoF propone un marco donde el modelo 'piensa' generando secuencias de video intermedias que representan estados físicos antes de dar una respuesta final. METODOLOGÍA: Se entrena a un modelo para descomponer una tarea compleja en predicciones visuales latentes (keyframes), actuando como un espacio de razonamiento visual. RESULTADOS: Mejora drásticamente el rendimiento en benchmarks de física intuitiva y razonamiento espacial en comparación con modelos que solo usan CoT textual. RELEVANCIA: Este enfoque es un paso hacia los modelos de mundo más robustos, permitiendo que la IA visualice las consecuencias de las acciones antes de ejecutarlas.