prompt工程已死？Google DeepMind提出“视觉提示工程”新范式：比文本指令更有效

提示工程（prompt engineering）已经成了提升语言模型性能的一个关键手段。业内现在的共识是：只要模型的输入空间足够丰富，就一定存在通过优化输入来获得更好下游性能的机会。

那么，这一原理是语言模型专属的，还是说也能跨出这个边界——比如，延伸到视觉领域？

Google DeepMind 在一篇新论文中给出了答案，他们提出了“视觉提示工程”（visual prompt engineering，VIPE），正式把提示工程这套方法论搬到了视觉领域。

实验结果表明，视觉提示工程在多个任务上都能有效提升视频推理性能。而且，对视频模型来说，它有时候甚至比经典的文本提示工程或 test-time scaling 更管用。

就像文本提示工程能系统性提升语言模型的表现一样，视觉提示工程同样提供了一种简单、计算高效的手段，用来激发视频模型更好的视觉推理能力。

研究团队认为，这指向了一种新的范式：视觉提示本身，也可以像文本提示一样被优化。随着前沿视频模型开始接收更丰富的多模态上下文，视觉提示工程或许会从单张图像编辑，扩展到多张参考图像甚至视频。

视觉提示工程：在新的视觉场景中处理同一问题

视觉提示工程，本质上就是针对视频模型视觉输入的提示工程方法。它不改变任务本身的逻辑，而是把原始图像转换成模型更容易理解和推理的视觉形式——让模型能在全新的视觉场景中，去处理同一个问题。举个例子，一张抽象的球和斜坡示意图，可以改写成写实的台球和木板场景，只要关键的空间关系保持一致就行。

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。

具体流程分三步：

1. 构想器：负责想清楚图像该怎么改。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，指令里明确标注哪些任务相关元素必须保留，比如物体的数量、位置、朝向和相对关系。

2. 编辑器：按编辑指令修改原图，生成一个或多个候选图像。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。

3. 筛选器：这是一个可选步骤。当编辑器生成多个候选图时，筛选器会从中挑出更合适的版本，优先选择图像质量更好、同时保留了原图任务关键信息的那个。

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%。视频模型显然系统性地偏好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把错误率降低了超过 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都能提升性能。

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，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的提升。这可能是因为原生图像生成模型覆盖了更多的视觉风格，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。

比如，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者引入了伪影，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，所以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。