prompt工程已死？Google DeepMind提出「视觉提示工程」新范式：比文本指令更有效
GoogleDeepMind提出视觉提示工程（VIPE），将提示工程方法论扩展至视觉模态。通过将抽象草图转换为照片级真实场景，显著提升视频模型推理能力，效果优于文本提示工程。该方法可自动化，并与测试时扩展结合，进一步降低错误率。
提示工程，说白了就是通过优化输入来撬动模型输出的质量，这已经成为语言模型领域的基本功。一个共识是：只要模型的输入空间足够丰富，就一定有办法通过调整输入让下游任务表现更好。
那么，这个思路能不能跨界？比如，搬到视觉领域？
Google DeepMind 的最新论文给出了一个漂亮的答案——他们提出了“视觉提示工程”（visual prompt engineering，VIPE），把提示工程这套方法论成功延伸到了视觉模态。
论文链接：https://arxiv.org/abs/2607.25537
实验结果表明，这套视觉提示工程方法能在多个任务上显著提升视频模型的推理能力。更有意思的是，对视频模型而言，视觉提示工程有时比经典的文本提示工程或 test-time scaling 更管用。
就像文本提示工程能系统性地提升语言模型性能一样，视觉提示工程提供了一种简单、计算高效的手段，用来激发视频模型的视觉推理潜力。论文作者指出，这指向了一种新范式：视觉提示本身也可以像文本提示一样被优化。随着前沿视频模型能接收越来越丰富的多模态上下文，视觉提示工程很可能从单张图像编辑，扩展到多张参考图像甚至视频。
视觉提示工程：在新的视觉场景中处理同一问题
所谓视觉提示工程，就是针对视频模型视觉输入的一种提示工程方法。它的核心思路是：在不改变任务逻辑的前提下，把原始图像转换成模型更容易理解和推理的视觉形式——让模型在全新的视觉场景中处理同一个问题。举个例子，一个抽象的球和斜坡示意图，可以换成写实的台球和木板场景，但关键的空间关系必须保持一致。
图｜视觉提示工程从一个视觉提示开始，例如一张球和斜坡的草图图像，以及“球沿着……滚下，最后落入其中一个桶里”这样的文本提示。
具体流程分为三步：
1. 构想器：负责规划图像怎么改。它会根据任务样本和约束，生成一段自然语言编辑指令。指令里明确哪些任务相关元素必须保留，比如物体数量、位置、朝向和相对关系。
2. 编辑器：根据指令修改原图，生成一个或多个候选图。这个步骤可以由图像编辑模型完成，也可以由人工编辑完成。
3. 筛选器：可选步骤。当编辑器生成多个候选图时，筛选器会从中挑出更合适的版本——优先选择图像质量更好、同时保留了原图任务关键信息的那一个。
比文本指令更有效
研究团队在 VPCT 物理推理任务上进行了测试，并验证了自动化视觉提示工程的效果。整体来看，视觉提示工程能提升视频模型的视觉推理表现，而且优化视觉上下文通常比优化文本指令更有效。下面几个关键发现值得关注。
1. 真正驱动性能提升的是视觉真实感
使用视觉提示工程后，Veo 3.1 的准确率从 41.3% 提升到 59.3%，Omni Flash 从 56.3% 提升到 67.5%。视频模型系统性地偏好照片级真实的上下文，而不是抽象输入。
图｜视觉提示工程提升了 VPCT 上的物理推理能力。
2. 既可以自动化，也能作为有效的测试时扩展策略
视觉提示工程的自动化流程由视觉-语言模型（VLM）生成改写指令，图像编辑模型生成候选图，自动评分器负责筛选或反馈迭代。研究团队比较了自由形式构想和原子概念编辑（ACE）两条路线，结果两种方法都能自动生成更好的改写图像。自由形式视觉提示工程在部分任务上把错误率降低超过 75%。ACE 在 Sort 3 Numbers 任务上，如果按样本选择最佳视觉版本，错误率甚至可以降为 0。
图｜自动化视觉提示工程在多种任务上都能提升性能。
在小球滚落物理推理任务中，未使用视觉提示工程时，Veo 3.1 通过多次采样从 41.3% 提升到 50.0%；加入视觉提示工程后，单次采样准确率就达到 59.3%。如果在视觉提示工程改写后的提示上继续进行多次采样，准确率可达 68.0%。
图｜视觉提示工程还可以与测试时扩展结合，进一步提升性能。
3. 优化视觉上下文往往比优化文本指令更有效
以 Sort 3 Numbers 为例，最优文本提示和最优图像提示的准确率分别为 86% 和 76%。
图｜对于视频模型而言，视觉提示工程可能比文本提示工程更有效。
4. 没有系统性提升原生图像生成模型的推理表现
研究团队测试了 Nano BananaPro、Nano Banana 2 等模型，结果显示，把输入换成照片级真实图像后，图像模型的推理性能并没有稳定提升。这可能是因为原生图像生成模型覆盖了更多视觉风格，对抽象草图和真实图像都更熟悉。
图｜原生图像生成模型在 VPCT 上的结果，报告每种配置下的最佳提示结果。
5. 有效的图像改写通常具备三类特征：场景更真实、目标更突出、语义更直接
这类改写能够把抽象草图转换成更接近真实世界的视觉场景，从而减少抽象输入与视频模型熟悉视觉表征之间的差距。例如在 VPCT 任务上，将草图改写为照片级真实场景后，Veo 3.1 的准确率提升到 59.3%。因此，当同一任务可以转换为更真实的视觉场景时，应优先使用真实场景版本。
图｜向真实感迈出的每一步都会提升生成一致性。
局限性
当然，视觉提示工程目前也有明显的短板。比如，它依赖图像编辑模型的质量——如果编辑器改变了任务信息或引入了伪影，下游视频模型可能就无法解决原始任务了。未来，如果图像编辑模型能更稳定地保留任务信息，额外的筛选和质量控制可能就不再需要。
另外，视觉提示工程会带来额外成本。不过，图像编辑通常比视频生成便宜得多，因此这项成本在实践中也可能转化为优势——一次便宜的图像编辑调用，可以降低一次昂贵视频生成失败的概率。
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理工具，可在 Windows 上完成照片修饰、选区抠图、图层合成、文字排版、绘画及生成式编辑。软件采用订阅授权，由 Creative Cloud 管理安装、更新与许
Adobe InDesign 是面向印刷与数字出版的专业页面排版工具，可制作书籍、杂志、宣传册、海报、交互式 PDF 和电子书。它提供精细的文字样式、多页面管理、印前检查及多格式输出能力，并能与 Photoshop、Illustrator
Adobe Illustrator 是用于绘制矢量图形、插画、图标、徽标和版式的专业设计工具。它以路径和锚点为核心，作品放大后仍能保持清晰，并提供画板、文字、渐变、图像描摹及精确变换等功能，适合品牌视觉、印刷物料、数字界面和商业插画创作。
Adobe Bridge 是 Adobe 推出的创意资产管理工具，可集中预览、分类和查找照片、视频、PDF及多种设计文件，并支持元数据、关键词、评级、批量重命名和格式导出。它可与 Photoshop、Illustrator 等应用衔接，
Affinity Photo 是一款面向摄影师、修图师和视觉设计人员的桌面图像编辑工具，提供 RAW 显影、多图层合成、蒙版、实时滤镜、批处理和色彩管理等功能。原独立产品已停止销售，其照片编辑能力已延续至免费的新 Affinity 应用；
Adobe Lightroom Classic 是面向 Windows 桌面摄影工作流的照片管理与无损编辑工具，可通过目录集中整理大型图库，并完成 RAW 显影、局部蒙版、批量调整、打印和多格式导出。它强调本地文件管理与精细控制，
Figma 是面向产品设计与开发团队的云端协作平台，可在 Windows 桌面客户端中完成界面绘制、组件管理、交互原型、评论评审和开发交付。文件保存在云端，多名成员能够同步编辑并共享设计系统；官方同时提供免费 Starter 方案及按席位计
Affinity Designer 是面向矢量图形、数字插画和界面设计的专业创作工具，可在矢量、像素与导出工作区之间快速切换。它提供曲线编辑、形状构建、画板、排版、图层和专业色彩管理，并支持常见设计文件的导入及多种印刷、网页格式输出。
Capture One Pro 是面向摄影师和影像团队的专业桌面照片处理工具，提供相机定制色彩配置、RAW转换、图层与蒙版、联机拍摄、目录及会话管理等功能。它适合棚拍、人像、商业产品、婚礼和风光摄影，
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，