VChain

给视频生成装上视觉思维链，让AI边想边生成，剧情更连贯。

VChain是一个面向视频生成领域的推理增强框架，核心思想是引入“视觉思维链”（Chain-of-Visual-Thought），让视频生成模型在生成过程中显式地进行多步视觉推理，而非一步到位。它解决的是当前视频生成模型在复杂动态场景下逻辑连贯性差、因果推理薄弱的问题。其核心能力包括：将长视频生成分解为多个中间视觉推理步骤，逐步校验和修正生成内容；结合多模态大语言模型对每一帧或关键帧进行语义理解与规划，提升生成视频的叙事合理性和动作一致性；支持测试时训练（test-time training），在推理阶段动态调整模型参数以适应特定输入。该工作发表于ACL 2026 Findings，并获ICCV 2025 Workshop Outstanding Paper Award，属于学术前沿项目，目前处于早期开源阶段。