Ego2Act：评估第一人称视频生成中的目标导向操作

arXiv 2026 37.4 benchmark

TLDR

Ego2Act：包含110个真实任务、2640段第一人称视频，评测视频生成模型模拟目标导向多步操作的能力。

评分理由

The paper addresses an important gap by evaluating video generation models on multi-step, goal-directed egocentric manipulation using real-world videos and a reference-free judge. Its main weakness is that the abstract is truncated before fully reporting quantitative results or limitations, and the contribution is primarily evaluative rather than a new generative method.

Read-first 评分解释

综合优先阅读分 37.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 42。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估

主题相关性 25%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：418。

关键词评分

world simulator

video world model

world model

generative world model

world dynamics prediction

interactive world model

model-based reinforcement learning world model

深度分析

创新点

引入Ego2Act，一个目标导向的第一人称视频生成基准，包含来自110个日常场景真实任务的2640段视频，涵盖不同的物体杂乱程度和多步复杂度。
引入Ego2ActJudge，一种无参考评估流程，用于任务完成度和物理合理性评估，其与人类共识的对齐程度优于相关基线。

方法

Ego2Act通过提供初始场景图像和高层目标来评估视频生成模型，然后判断生成的第一人称视频是否展示手部操作物体以完成任务。该基准包含2640段视频，覆盖110个真实任务，具有不同的物体杂乱程度和多步复杂度；Ego2ActJudge提供无参考的任务完成度与物理合理性评估，并与人类共识进行对齐。

关键结果

Ego2ActJudge在任务完成度和物理合理性评估上与人类共识的对齐程度优于相关基线。被评估的模型常常跳过或仅部分执行步骤，导致后续步骤缺少依赖状态、目标无法完成；模型在复杂物体操作和持久世界建模中始终在细粒度物理动态上表现失败。

局限性

当前视频生成模型经常跳过或仅部分执行步骤，使后续步骤缺少必要的依赖状态，目标无法实现。
模型在细粒度物理动态上持续失败，尤其是在复杂物体操作和持久世界建模中。

资源

论文