MME-CoF-Pro：利用文本与视觉提示评估视频生成模型中的推理连贯性

视频生成模型展现出新兴的推理行为，确保生成事件在帧间保持因果一致性（即推理连贯性）至关重要。为此，本文提出 MME-CoF-Pro，一个全面的视频推理基准，旨在评估视频模型的推理连贯性。该基准包含 16 类共 303 个样本，涵盖从视觉逻辑到科学推理的范围。文章引入“推理得分”作为评估必要中间推理步骤的指标，并设置无提示、文本提示和视觉提示三种评估场景，以探究提示引导的底层机制。实验结果表明，当前视频模型推理连贯性较弱且与生成质量解耦，文本提示虽提升表面正确率但易导致不一致与幻觉，而视觉提示在结构化感知任务中有效但在细粒度感知上表现不佳。