YoCausal：视频生成离世界模型有多远？一种因果学视角
计算机视觉与模式识别
2026-05-29 v1
摘要
随着视频扩散模型（VDMs）向世界模型发展，一个关键问题浮现：它们是否真正理解因果，抑或仅过拟合于统计时序模式？现有基准大多依赖合成数据，由于仿真到现实的鸿沟，限制了其在真实场景中的泛化。我们提出YoCausal，一种受认知科学中“期望违反（Violation of Expectation, VoE）”范式启发的两级基准测试。通过以零成本在真实世界视频上进行时序反转生成自然反事实样本，YoCausal 建立了一个可任意扩展的评估协议。第 1 级引入逆向惊讶指数（Reverse Surprise Index, RSI），量化时间之箭的感知；第 2 级引入因果认知指数（Causality Cognition Index, CCI），利用视觉语言模型将数据集划分为因果与非因果子集，从而分离真实的因果推理与时序偏见。对 13 种最先进 VDMs 的评估显示，感知时间之箭并不等同于理解因果，与人类水平的因果认知之间仍存在显著差距。
引用
@article{arxiv.2605.30346,
title = {YoCausal: How Far is Video Generation from World Model? A Causality Perspective},
author = {You-Zhe Xie and Yu-Hsuan Li and Jie-Ying Lee and Kaipeng Zhang and Yu-Lun Liu and Zhixiang Wang},
journal= {arXiv preprint arXiv:2605.30346},
year = {2026}
}
备注
Project page: https://www.youzhexie.me/papers/YoCausal/index.html