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），通过优化视觉输入提升视频模型推理性能。实验表明，视觉提示工程比文本提示更有效，可自动化且降低错误率，但依赖图像编辑模型质量，未来需稳定保留任务信息。
提示工程（prompt engineering）已经成了提升语言模型性能的一个关键手段。业内现在的共识是：只要模型的输入空间足够丰富，就一定存在通过优化输入来获得更好下游性能的机会。
那么，这一原理是语言模型专属的，还是说也能跨出这个边界——比如，延伸到视觉领域？
Google DeepMind 在一篇新论文中给出了答案，他们提出了“视觉提示工程”（visual prompt engineering，VIPE），正式把提示工程这套方法论搬到了视觉领域。
实验结果表明，视觉提示工程在多个任务上都能有效提升视频推理性能。而且，对视频模型来说，它有时候甚至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提升语言模型的表现一样，视觉提示工程同样提供了一种简单、计算高效的手段，用来激发视频模型更好的视觉推理能力。
研究团队认为，这指向了一种新的范式：视觉提示本身，也可以像文本提示一样被优化。随着前沿视频模型开始接收更丰富的多模态上下文，视觉提示工程或许会从单张图像编辑，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
视觉提示工程，本质上就是针对视频模型视觉输入的提示工程方法。它不改变任务本身的逻辑，而是把原始图像转换成模型更容易理解和推理的视觉形式——让模型能在全新的视觉场景中，去处理同一个问题。举个例子，一张抽象的球和斜坡示意图，可以改写成写实的台球和木板场景，只要关键的空间关系保持一致就行。
图｜视觉提示工程从一个视觉提示开始，比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。
具体流程分三步：
1. 构想器：负责想清楚图像该怎么改。它会根据任务样本和约束条件，生成一段自然语言编辑指令，指令里明确标注哪些任务相关元素必须保留，比如物体的数量、位置、朝向和相对关系。
2. 编辑器：按编辑指令修改原图，生成一个或多个候选图像。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：这是一个可选步骤。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个。
比文本指令更有效
研究团队在 VPCT 物理推理任务上测试并验证了自动化视觉提示工程。整体来看，视觉提示工程确实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。
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% 提升到了 59.3%，Omni Flash 从 56.3% 提升到了 67.5%。视频模型显然系统性地偏好照片级真实的上下文，而非抽象输入。
图｜视觉提示工程提升了 VPCT 上的物理推理能力。
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，结果发现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甚至把错误率降低了超过 75%。而 ACE 在 Sort 3 Numbers 任务上，如果按样本选择最佳视觉版本，错误率可以降为 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%；而加入视觉提示工程后，单次采样准确率就达到了 59.3%。如果在视觉提示工程改写后的视觉提示上继续做多次采样，准确率还能进一步攀升到 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。
优化视觉上下文往往比优化文本指令更有效
以 Sort 3 Numbers 任务为例，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。
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的提升。这可能是因为原生图像生成模型覆盖了更多的视觉风格，对抽象草图和真实图像都比较熟悉。
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。
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 的准确率提升到了 59.3%。因此，当同一任务可以转换为更真实的视觉场景时，优先使用真实场景版本通常是更明智的选择。
图｜向真实感迈出的每一步都会提升生成一致性。
当然，当前的方法也存在一定的局限性。
比如，当前的视觉提示工程方法高度依赖图像编辑模型的质量，如果编辑器改变了任务信息或者引入了伪影，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步骤或许就不再需要了。
同时，视觉提示工程也会带来额外的成本。不过，图像编辑通常比视频生成便宜得多，所以这项成本在实践中反而可能转化为优势——一次便宜的图像编辑调用，就能降低一次昂贵视频生成失败的概率。
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
