提示工程已成为提升语言模型性能的关键手段。当前的一个共识是：只要模型的输入空间足够丰富，就存在通过优化输入来获得更好下游性能的机会。那么，这一原理是否仅适用于语言模型，还是同样可以推广到其他模态，比如视觉领域？在 Google DeepMind 提出的最新论文中，团队提出了“视觉提示工程”，成功将提示工程扩展到了视觉领域。实验结果显示，视觉提示工程方法能在多个任务上提升视频推理性能，且对视频模型来说，该方法有时比经典的文本提示工程或 test-time scaling 更有效。正如文本提示工程能系统性地提升语言模型性能一样，视觉提示工程也可以作为一种简单、计算高效的方法，用来激发视频模型更好的视觉推理表现。
视觉提示工程：在新的视觉场景中处理同一问题
视觉提示工程是针对视频模型视觉输入的提示工程方法，在不改变任务逻辑的前提下，将原始图像转换为模型更容易理解和推理的视觉形式，让模型能在新的视觉场景中处理同一问题。例如，抽象的球和斜坡示意图可以改为写实的台球和木板场景，关键空间关系需保持一致。
具体流程如下：
构想器：负责提出图像该怎么改。它会根据任务样本和约束，生成一段自然语言编辑指令。指令里会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。
编辑器：根据编辑指令修改原图，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。
筛选器：可选步骤。当编辑器生成多个候选图时，筛选器会从中选出更合适的版本。筛选器会优先选择图像质量更好、同时保留了原图任务关键信息的候选版本。
比文本指令更有效
研究团队在 VPCT 物理推理任务上进行测试并验证自动化视觉提示工程。整体而言，视觉提示工程能提升视频模型的视觉推理表现，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 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上下文而非抽象输入。
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两条路线，结果显示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 上，如果按样本选择最佳视觉版本，错误率可以降为 0。
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%。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。
有效的图像改写通常具备三类特征
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。
局限性与展望
当然，当前的方法也存在一定的局限性。例如，当前的视觉提示工程方法依赖图像编辑模型的质量，如果编辑器改变任务信息或引入伪影，下游视频模型可能无法解决原始任务。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。同时，视觉提示工程也会带来额外成本。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。