「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了

VideoVerse团队 投稿 量子位 | 公众号 QbitAI 近年来，Text-to-Video （T2V） 模型取得显著进展—— 从静态帧质量到连贯的视频叙事，模型能力大幅提升，尤其是最近Sora2的爆火，让人们开始想象，T2V Model是否已经是一个真正的"世界 模型"？。 设计目标与核心内容 VideoVerse致力于评估T2V模型在 事件级时间因果与世界知识 （物理、材料、常识） 上的表现。团队从两大视角定义了 十个评测维度 ： 1、动态 （Dynamic） ：Event Following （事件顺序与因果） 、Mechanics （力学） 、Interaction （交互） 、Material Properties （材料特性） 、Camera Control （镜头控制） 。 2、静态 （Static） ：Natural Constraints （自然/物理约束） 、Common Sense（常识）、Attribution Correctness （属性正确性） 、 2D Layout （二维布局） 、3D Depth （三维深度） 。 每条prompt对应若干二元 （Ye s/ No） ...