提示工程，本质上是通过优化输入来提升模型输出质量的方法，如今已成为语言模型领域的基础能力。业界普遍认为，只要模型的输入空间足够丰富，就能通过调整输入内容来改善下游任务的表现。

那么，这种思路能否跨界应用到视觉领域呢？

Google DeepMind 的最新研究给出了令人瞩目的答案——他们提出了“视觉提示工程”（Visual Prompt Engineering，VIPE），成功将提示工程的方法论扩展到了视觉模态。

论文链接：https://arxiv.org/abs/2607.25537

实验表明，视觉提示工程方法能够在多个任务中显著增强视频模型的推理能力。更值得注意的是，对于视频模型而言，视觉提示工程有时比传统的文本提示工程或测试时扩展（test-time scaling）更为有效。

正如文本提示工程能够系统性地提升语言模型性能一样，视觉提示工程提供了一种简单且计算高效的方法，用于激发视频模型的视觉推理潜力。论文作者指出，这标志着一个新范式的出现：视觉提示本身也可以像文本提示一样被优化。随着前沿视频模型能够处理越来越丰富的多模态上下文，视觉提示工程很可能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：在新的视觉场景中解决相同问题

所谓视觉提示工程，是针对视频模型视觉输入的一种提示工程方法。其核心思想是：在不改变任务逻辑的前提下，将原始图像转化为模型更易于理解和推理的视觉形式——让模型在全新的视觉场景中处理同一个问题。例如，一个抽象的球体与斜坡示意图，可以替换为写实的台球与木板场景，但关键的空间关系必须保持一致。

图｜视觉提示工程从一个视觉提示开始，例如一张球体与斜坡的草图图像，以及“球沿着……滚下，最后落入其中一个桶里”这样的文本提示。

具体流程分为三个步骤：

1. 构想器：负责规划图像的修改方式。它根据任务样本和约束条件，生成一段自然语言编辑指令。指令中明确哪些任务相关元素必须保留，例如物体数量、位置、朝向及其相对关系。

2. 编辑器：根据指令修改原图，生成一个或多个候选图像。该步骤可由图像编辑模型完成，也可由人工编辑执行。

3. 筛选器：这是一个可选步骤。当编辑器生成多个候选图像时，筛选器从中挑选出最合适的版本——优先选择图像质量更高且保留了原图关键任务信息的那一个。

比文本指令更有效

研究团队在 VPCT 物理推理任务上进行了测试，并验证了自动化视觉提示工程的效果。总体来看，视觉提示工程能够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为有效。以下几个关键发现值得关注。

1. 性能提升的真正驱动力是视觉真实感

采用视觉提示工程后，Veo 3.1 的准确率从 41.3% 提升至 59.3%，Omni Flash 从 56.3% 提升至 67.5%。视频模型系统性地偏好照片级真实的上下文，而不是抽象输入。

图｜视觉提示工程提升了 VPCT 上的物理推理能力。

2. 既可自动化，也可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像，自动评分器负责筛选或提供反馈迭代。研究团队比较了自由形式构想和原子概念编辑（ACE）两种路线，结果表明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中将错误率降低了超过 75%。ACE 在 Sort 3 Numbers 任务上，如果按样本选择最佳视觉版本，错误率甚至可降至 0。

图｜自动化视觉提示工程在多种任务上均能提升性能。

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% 提升至 50.0%；加入视觉提示工程后，单次采样准确率即达到 59.3%。在视觉提示工程改写后的提示上继续多次采样，准确率可达 68.0%。

图｜视觉提示工程还可与测试时扩展结合，进一步提升性能。

3. 优化视觉上下文通常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%。

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。

4. 未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，将输入替换为照片级真实图像后，图像模型的推理性能并未稳定提升。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为熟悉。

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。

5. 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

这类改写能够将抽象草图转化为更接近真实世界的视觉场景，从而缩小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 的准确率提升至 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。

图｜向真实感迈出的每一步都会提升生成一致性。

局限性

当然，视觉提示工程目前也存在明显的短板。例如，它依赖图像编辑模型的质量——如果编辑器改变了任务信息或引入了伪影，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。

此外，视觉提示工程会带来额外成本。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——一次低成本的图像编辑调用，可以降低一次昂贵视频生成失败的概率。