YoCausal：从因果视角看视频生成离世界模型还有多远？

arXiv 2026 57.3 benchmark

TLDR

YoCausal利用反转真实视频评估视频扩散模型的因果理解，揭示时间感知与真实因果的差距。

评分理由

The paper introduces a novel benchmark (YoCausal) with two levels to disentangle temporal bias from causal reasoning, using real-world videos and cognitive science principles. Strengths include a zero-cost counterfactual generation method and evaluation of 13 models; weaknesses are that the benchmark's scalability and human-level comparison details are not fully elaborated in the abstract.

Read-first 评分解释

综合优先阅读分 57.3，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 40。

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

引用影响力 18%

88.3

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。归一化引用分位：0.88296748

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、数据集、评估

主题相关性 29%

57.1

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：数据集

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：352。

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

受认知科学中预期违背（VoE）范式启发的两级基准
通过去噪损失量化时间箭头感知的反向惊奇指数（RSI）
使用视觉语言模型（VLM）将数据集分层为因果和非因果子集的因果认知指数（CCI）
通过时间反转真实世界视频零成本生成自然反事实样本

方法

YoCausal是一个两级基准，用于评估视频扩散模型的因果理解。第一级使用反向惊奇指数（RSI），通过比较原始视频和时间反转视频的去噪损失来测量时间箭头感知。第二级引入因果认知指数（CCI），利用视觉语言模型（VLM）将数据集划分为因果和非因果子集，从而将真正的因果推理与时间偏差分离开来。该基准由于使用零成本反转的真实世界视频而具有任意可扩展性。

关键结果

对13个最先进的视频扩散模型的评估表明，感知时间箭头并不意味着理解因果关系，并且与人类水平的因果认知相比仍存在显著差距。

资源

论文