视频生成也能推理？OpenCoF用17K数据与推理Token破解长程逻辑难题
现有视频生成模型缺乏针对Chain-of-Frame推理的专用训练信号，导致长程连贯性不足。本文提出OpenCoF框架，构建OpenCoF-17K数据集并在Wan2.2基座上微调得到Wan-CoF。实验显示，在MME-CoF、Gen-ViRe等基准上性能显著提升。进一步引入Visual/Textual Reasoning Tokens，通过注意力机制显式捕捉推理线索。需注意，高视觉真实感不等同于可靠推理，且Token效果依赖任务特性。