Chain-of-Steps: Nuovo Meccanismo di Ragionamento nei Modelli Video Diffusivi

Un nuovo studio pubblicato su arXiv (2603.16870) contesta la convinzione comune che il ragionamento nei modelli video basati su diffusione avvenga in modo sequenziale attraverso i fotogrammi, noto come Chain-of-Frames (CoF). Gli autori rivelano che il ragionamento avviene prevalentemente durante i passaggi di denoising della diffusione, che chiamano Chain-of-Steps (CoS). La loro analisi qualitativa e gli esperimenti di probing mirati indicano che i modelli esplorano diverse soluzioni potenziali nelle fasi iniziali di denoising prima di arrivare gradualmente a una risposta conclusiva. Inoltre, la ricerca evidenzia importanti comportamenti di ragionamento emergenti che migliorano le prestazioni del modello, come la memoria di lavoro per compiti che richiedono riferimenti coerenti (come la permanenza degli oggetti) e l'autocorrezione. Questo articolo segna un avanzamento significativo nella comprensione delle capacità di ragionamento dei modelli di generazione video.