VideoVerse：你的文本到视频生成模型是否具备世界模型能力以合成视频？

最近文本到视频（T2V）生成技术的快速进步正在让训练有素的模型具备更多世界模型能力，而现有基准测试日益不足以评估最先进的T2V模型。首先，当前的评估维度，如每帧审美质量和时间一致性，已无法区分最先进的T2V模型。其次，事件级时间因果性——这是区别于其他模态的关键属性——仍基本未被探索。第三，现有基准测试缺乏对世界知识的系统性评估，而这正是构建世界模型所必需的能力。为此，我们引入VideoVerse，一个综合性基准，聚焦于评估当前T2V模型是否理解复杂的时间因果性和世界知识以合成视频。我们收集代表性视频，跨越多个领域，并提取其内在时间因果性的事件级描述，再由独立标注员重写为文本到视频提示。对于每个提示，我们设计十个评估维度，覆盖动态和静态属性，最终得到300个提示、815个事件和793个评估问题。Consequently，我们开发了一个基于现代视觉语言模型的人类偏好对齐的基于QA的评估管道，系统性地对领先的开放式和封闭式T2V系统进行基准测试，揭示了当前T2V模型与所需世界建模能力之间的差距。