摘要
尽管生成式视频模型在视觉保真度上表现卓越，但其内化并推理隐式世界规则的能力仍是关键且未被充分探索的前沿。为此，本文提出 RISE-Video，这是一个面向推理的文本 - 图像到视频合成基准，将评估焦点从表面美学转向深层认知推理。该基准包含 467 个人工标注样本，涵盖八个严格类别，旨在多维度探测模型智能。研究引入了包含推理对齐、时间一致性、物理合理性和视觉质量的四维评估协议，并利用大型多模态模型构建自动化评估流水线。实验揭示了现有模型在隐式约束下模拟复杂场景的普遍缺陷。
AI 推荐理由
论文核心聚焦于评估视频生成模型对隐式世界规则的推理能力，构建专用基准。
研究机构
上海交通大学
腾讯优图实验室
西安交通大学
北京师范大学
香港中文大学
论文信息