基于时空场景图接地的视频奖励规划与验证推理

针对文本生成视频（T2V）中奖励模型在细粒度语义对齐上的不足，本文指出其存在未系统验证提示条件及视觉证据隐式化两大缺陷。为此，提出 SG-PVR 模型，采用基于时空场景图的“规划 - 验证”推理框架。该方法将提示分解为原子主张以确保全面检查，并提取包含实体、属性及时序关系的时空场景图作为持久结构化视觉参考。通过将主张与视频及场景图对比，使判断锚定于显式视觉证据。实验表明，SG-PVR 在语义对齐尤其是细粒度时序语义上表现优异，作为重排序器显著提升了 T2V 生成的组合对齐能力。