Una evaluación exhaustiva de Veo 3 acaba de analizar más de 18,000 videos en benchmarks tanto cualitativos como cuantitativos. Lo que resulta sorprendente es la capacidad del modelo para percibir, editar e interactuar con el entorno visual a partir de solo entradas de imagen y texto. El sistema demuestra capacidades de razonamiento tempranas que surgieron sin entrenamiento explícito en estas áreas, marcando un avance notable en cómo la IA entiende y manipula contenido visual. Este tipo de competencia multimodal está redefiniendo lo que esperamos de los modelos de generación de video de próxima generación.