提示工程（prompt engineering）已成为提升语言模型性能的关键技术之一。业界普遍认为，只要模型的输入空间足够丰富，就必然存在通过优化输入来获得更优下游性能的机会。
那么，这一原理是否仅适用于语言模型，还是可以跨越边界——例如，延伸至视觉领域？
Google DeepMind 在一篇最新论文中给出了答案，他们提出了“视觉提示工程”（visual prompt engineering，VIPE），正式将提示工程的方法论引入了视觉领域。
实验结果表明，视觉提示工程在多项任务中均能有效提升视频推理性能。而且，对于视频模型而言，它有时甚至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的表现，视觉提示工程同样提供了一种简单、计算高效的方法，用于激发视频模型更强大的视觉推理能力。
研究团队认为，这预示着一种新范式：视觉提示本身，也可以像文本提示一样进行优化。随着前沿视频模型开始接收更丰富的多模态上下文，视觉提示工程或许将从单张图像编辑，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同一问题
视觉提示工程，本质上是对视频模型视觉输入进行提示工程的方法。它不改变任务本身的逻辑，而是将原始图像转换为模型更容易理解和推理的视觉形式——让模型能够在全新的视觉场景中处理同一个问题。例如，一张抽象的球和斜坡示意图，可以改写为写实的台球和木板场景，只要关键的空间关系保持一致即可。
图｜视觉提示工程从一个视觉提示开始，比如一张球和斜坡的草图图像，以及“球沿着……滚下，最后落入其中一个桶里”这样的文本提示。
具体流程分为三步：
1. 构想器：负责构思图像如何修改。它会根据任务样本和约束条件，生成一段自然语言编辑指令，指令中明确标注哪些任务相关元素必须保留，例如物体的数量、位置、朝向和相对关系。
2. 编辑器：按照编辑指令修改原图，生成一个或多个候选图像。该步骤可由图像编辑模型完成，也可由人工编辑完成。
3. 筛选器：这是一个可选步骤。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，优先选择图像质量更高、同时保留了原图任务关键信息的那一个。
比文本指令更有效
研究团队在 VPCT 物理推理任务上测试并验证了自动化视觉提示工程。整体来看，视觉提示工程确实能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。
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 的准确率从 41.3% 提升到了 59.3%，Omni Flash 从 56.3% 提升到了 67.5%。视频模型显然更倾向于照片级真实的上下文，而非抽象输入。
图｜视觉提示工程提升了 VPCT 上的物理推理能力。
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（VLM）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（ACE）两条路线，结果发现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甚至将错误率降低了超过 75%。而 ACE 在 Sort 3 Numbers 任务上，如果按样本选择最佳视觉版本，错误率可以降为 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% 提升到 50.0%；而加入视觉提示工程后，单次采样准确率就达到了 59.3%。如果在视觉提示工程改写后的视觉提示上继续做多次采样，准确率还能进一步攀升到 68.0%。
图｜视觉提示工程还可以与测试时扩展结合，进一步提升性能。
优化视觉上下文往往比优化文本指令更有效
以 Sort 3 Numbers 任务为例，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。
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，将输入换为照片级真实图像后，图像模型的推理性能并未获得稳定提升。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比较熟悉。
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。
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
这类改写能将抽象草图转换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 的准确率提升到了 59.3%。因此，当同一任务可以转换为更真实的视觉场景时，优先使用真实场景版本通常是更明智的选择。
图｜向真实感迈出的每一步都会提升生成一致性。
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高度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，下游视频模型可能就无法解决原始任务了。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步骤或许就不再需要了。
同时，视觉提示工程也会带来额外的成本。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反而可能转化为优势——一次便宜的图像编辑调用，就能降低一次昂贵视频生成失败的概率。
