VACT：视频自动因果测试系统与基准

随着文本条件视频生成模型（VGMs）的快速发展，生成视频的质量显著提升，使这些模型更接近于作为“世界模拟器”运行，并使现实世界级别的视频生成更易获得且更具成本效益。然而，生成的视频通常包含事实性错误，且缺乏对基本物理定律的理解。尽管此前的一些研究通过人工分析在有限领域内强调了这一问题，但目前尚未建立全面的解决方案，这主要由于缺乏一种通用、自动化的方法来建模和评估这些模型在多样场景下的因果推理。为了弥补这一空白，我们提出了 VACT：一个用于在真实世界场景中建模、评估和测量 VGMs 因果理解的自动化框架。通过将因果分析技术与精心设计的大语言模型助手相结合，我们的系统无需人工标注即可评估模型在各种上下文中的因果行为，这提供了强大的泛化能力与可扩展性。此外，我们引入了多级因果评估指标，以对 VGMs 的因果性能进行详细分析。作为演示，我们使用我们的框架对几种主流的 VGMs 进行了基准测试，深入了解了它们的因果推理能力。我们的工作为系统解决 VGMs 中的因果理解缺陷奠定了基础，并有助于提升其可靠性与真实世界适用性。