VideoVerse：你的文本到视频生成器距离世界模型还有多远？

arXiv 25.10 2025 38.3 benchmark

TLDR

VideoVerse基准评估T2V模型的时间因果性和世界知识，揭示世界模型能力差距。

评分理由

Strengths include a comprehensive benchmark with 300 prompts and 793 evaluation questions, using human-aligned QA to assess world knowledge and temporal causality. Weaknesses are the focus solely on text-to-video generation, lacking interactive or RL-based world model evaluation.

Read-first 评分解释

综合优先阅读分 38.3，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 37。

近期性 6%

86.7

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：2025

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：基准、评估、结果

主题相关性 29%

52.9

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：无

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：207。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

引入VideoVerse基准，评估T2V模型在复杂时间因果性和世界知识方面的能力
设计涵盖动态和静态属性的十个评估维度
开发基于人类偏好对齐的问答评估流水线，利用现代视觉语言模型

方法

VideoVerse收集跨多个领域的代表性视频，提取具有内在时间因果性的事件级描述，并由独立标注员将其改写为文本到视频提示。针对每个提示，设计涵盖动态和静态属性的十个评估维度，最终得到300个提示、815个事件和793个评估问题。开发基于人类偏好对齐的问答评估流水线，利用现代视觉语言模型系统地对领先的开源和闭源T2V系统进行基准测试。

关键结果

该基准揭示了当前T2V模型与期望的世界建模能力之间存在显著差距，特别是在理解复杂时间因果性和世界知识方面。

资源

论文