视频中的思考：视频生成器真的能推理现实世界吗？

arXiv 2026 47.4 benchmark

TLDR

提出CGDJ框架评估视频生成器是否真正推理现实世界，揭示感知-预测差距。

评分理由

The paper introduces a novel evaluation framework (CGDJ) that separates explicit causal perception from implicit generative consistency, identifying a key limitation in current video generators. Its strength lies in the dual-judge approach and empirical findings, but it is limited to specific models and does not fully address generalization across diverse real-world scenarios.

Read-first 评分解释

综合优先阅读分 47.4，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 45。

近期性 6%

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 18%

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：分析、评估、实验、指标

主题相关性 29%

64.3

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 18%

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：工件

引用影响力 18%

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 12%

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：590。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

将视频生成推理范式重新定义为“视频中的思考”，其中视频作为构建、扩展和验证因果推理的媒介。
引入因果生成双重评估（CGDJ）框架，通过显式因果感知（时空视觉问答）和隐式生成感知-预测差距（未来视频一致性）来审计世界模型一致性。
识别出感知-预测差距和视听不一致，即模型在语言表达正确因果逻辑方面比在视觉渲染上更可靠。

方法

本文提出CGDJ，一个双重评估框架，通过测试视频生成器回答视频场景因果问题的能力（显式因果感知）以及生成与因果结果一致的一致未来视频的能力（隐式生成感知-预测差距），来评估其推理能力。实验在具有代表性的开源和闭源视频生成器上进行。

关键结果

开源视频生成器能生成合理动态，但显式因果感知几乎为零；而先进的闭源模型在推理与生成之间显示出更强但仍然有限的一致性；视听不一致表明，模型在语言表达正确因果逻辑方面比在视觉渲染上更可靠。

局限性

开源视频生成器缺乏显式因果感知，尽管能生成合理动态。
即使是先进的闭源模型，在推理与生成之间也只显示出有限的一致性。
视听不一致：模型在语言表达因果逻辑方面比在视频渲染上更可靠，这对世界模拟器叙事提出了挑战。

技术栈

Video generative modelsCausal-Generative Dual-Judge (CGDJ) frameworkSpatio-temporal visual question answeringPerception-prediction gap analysis

资源

论文