MME-CoF-Pro：基于文本与视觉提示评估视频生成模型的推理连贯性
计算机视觉与模式识别
2026-03-23 v1
摘要
视频生成模型展现出新兴的推理行为。确保生成事件在帧之间保持因果一致性对于可靠部署至关重要，这一属性我们定义为推理连贯性。为弥合文献中缺乏推理连贯性评估的空白，我们提出MME-CoF-Pro，一个全面的视频推理基准，用于评估视频模型的推理连贯性。具体而言，MME-CoF-Pro包含303个样本，覆盖16个类别，从视觉逻辑到科学推理。它引入推理得分（Reasoning Score）作为评估指标，用于衡量过程级必要中间推理步骤，并包含三个评估设置：(a) 无提示（no hint）、(b) 文本提示（text hint）和（c) 视觉提示（visual hint），以受控探究推理提示指导的底层机制。对7个开放和封闭源视频模型的评估结果揭示了包括：（1）视频生成模型表现出较弱的推理连贯性，与生成质量分离；（2）文本提示虽提升表观正确性，却常导致不一致和幻觉推理；（3）视觉提示有助于结构感知任务，但在细粒度感知方面仍有挑战。网站：https://video-reasoning-coherence.github.io/
引用
@article{arxiv.2603.20194,
title = {MME-CoF-Pro: Evaluating Reasoning Coherence in Video Generative Models with Text and Visual Hints},
author = {Yu Qi and Xinyi Xu and Ziyu Guo and Siyuan Ma and Renrui Zhang and Xinyan Chen and Ruichuan An and Ruofan Xing and Jiayi Zhang and Haojie Huang and Pheng-Ann Heng and Jonathan Tremblay and Lawson L. S. Wong},
journal= {arXiv preprint arXiv:2603.20194},
year = {2026}
}