Une évaluation complète de Veo 3 a analysé plus de 18 000 vidéos à la fois selon des critères qualitatifs et quantitatifs. Ce qui est frappant, c'est la capacité du modèle à percevoir, éditer et interagir avec l'environnement visuel à partir de simples entrées d'images et de textes. Le système démontre des capacités de raisonnement précoces qui ont émergé sans formation explicite dans ces domaines—marquant un saut notable dans la façon dont l'IA comprend et manipule le contenu visuel. Ce type de compétence multimodale est en train de transformer nos attentes vis-à-vis des modèles de génération vidéo de nouvelle génération.