ETVA的核心思想是：像人一樣，通過“提問-回答”來深入理解和評(píng)估視頻內(nèi)容。

作者丨關(guān)開思、宋睿華

（作者介紹）本文第一作者是中國人民大學(xué)高瓴人工智能學(xué)院2024 級(jí)碩士生關(guān)開思（導(dǎo)師宋睿華），他的主要研究興趣方向是多模態(tài)學(xué)習(xí)。本文通訊作者是宋睿華長聘副教授，她的 AIMind 團(tuán)隊(duì)主要研究方向是多模態(tài)感知、交互與生成。

當(dāng)你輸入一句指令——“水在空間站中從玻璃杯慢慢倒出”——視頻模型立刻生成了一段流暢的動(dòng)畫?？瓷先ゲ诲e(cuò)：水從杯中傾瀉而出，畫面清晰，動(dòng)作逼真。

但仔細(xì)一想，哪里不對(duì)？在空間站里，水并不會(huì)向下流，而是會(huì)在失重中漂浮成一顆顆液滴。

在AI視頻生成技術(shù)井噴的今天，我們驚嘆于 Sora、Kling、Vidu 等模型創(chuàng)造出的越來越逼真、富有想象力的視頻。然而，一個(gè)核心問題也隨之而來：除了肉眼觀看，我們?nèi)绾尉_、客觀地判斷，一個(gè)AI生成的視頻是否真的“聽懂”了我們的指令？

論文地址：

https://arxiv.org/abs/2503.16867

代碼地址：

https://github.com/guankaisi/ETVA

項(xiàng)目地址：

https://eftv-eval.github.io/etva-eval/

01

背景

長久以來，學(xué)術(shù)界與工業(yè)界主要依賴BLIP-BLEU、CLIPScore、VideoScore等自動(dòng)化指標(biāo)以評(píng)估生成視頻是否符合文本指令。然而，這類指標(biāo)通常只能給出一個(gè)“大差不差”的總體分?jǐn)?shù)，難以細(xì)致判斷視頻內(nèi)容是否在細(xì)節(jié)上與指令精準(zhǔn)對(duì)齊，甚至在某些情況下會(huì)得出與人類判斷相悖的結(jié)果。

以“水在空間站中從玻璃杯慢慢倒出”這一場景為例（見下圖），傳統(tǒng)評(píng)價(jià)指標(biāo)往往只能輸出一個(gè)模糊的分?jǐn)?shù)，無法有效區(qū)分視頻在物理合理性上的差異，有時(shí)甚至?xí)⒚黠@違背常識(shí)的結(jié)果評(píng)為高分。而人類觀察者卻能輕易識(shí)別出第二個(gè)視頻更為優(yōu)秀——因?yàn)樗鼫?zhǔn)確捕捉到了微重力環(huán)境下水珠漂浮的真實(shí)狀態(tài)，更符合我們對(duì)“空間站”這一場景的物理認(rèn)知。

為了解決這一“霧里看花”式的評(píng)估困境，來自中國人民大學(xué)的宋睿華帶領(lǐng)的AIMind團(tuán)隊(duì)提出了一種全新的文本到視頻（T2V）指令遵循的評(píng)估方法——ETVA。相關(guān)論文已被 ICCV 2025錄用。

ETVA的核心思想是：像人一樣，通過“提問-回答”來深入理解和評(píng)估視頻內(nèi)容。它不再滿足于一個(gè)模糊的總分，而是將復(fù)雜的文本指令拆解成一系列原子化的、可被明確回答的“是/非”問題，從而對(duì)視頻進(jìn)行細(xì)致入微的“靈魂拷問”。

02

ETVA 如何實(shí)現(xiàn)“靈魂拷問”？

ETVA的評(píng)估流程模擬了人類的認(rèn)知過程，主要分為兩個(gè)關(guān)鍵階段：

第一步：多智能體協(xié)作，生成精準(zhǔn)“問題列表”

面對(duì)一句文本指令，比如“水在空間站里從一個(gè)玻璃杯中慢慢倒出”，ETVA首先會(huì)啟動(dòng)一個(gè)由三個(gè)智能體組成的“問題生成團(tuán)隊(duì)”：

1.元素提取器 (Element Extractor)：首先識(shí)別出文本中的核心元素，如實(shí)體（杯子、水、空間站）、屬性（玻璃材質(zhì)）和關(guān)系（從...倒出）。

2.圖構(gòu)建器 (Graph Builder)：將這些離散的元素組織成一個(gè)結(jié)構(gòu)化的“場景圖”，清晰地描繪出它們之間的邏輯關(guān)系。

3.圖遍歷器 (Graph Traverser)：最后，系統(tǒng)性地遍歷這張圖，將每個(gè)節(jié)點(diǎn)和連接都轉(zhuǎn)換成一個(gè)簡單的是非題。

例如，針對(duì)上述指令，它會(huì)生成如下問題列表：

• 視頻里有杯子嗎？[是/否]

• 視頻里有水嗎？[是/否]

• 水是從杯子里倒出來的嗎？[是/否]

• 水是在空間站里倒出來的嗎？[是/否]

第二步：知識(shí)增強(qiáng)+多階段推理，給出“有理有據(jù)”的答案

生成問題后，ETVA會(huì)利用先進(jìn)的視頻大語言模型（Video LLM）來自動(dòng)回答。為了避免模型產(chǎn)生“幻覺”，ETVA設(shè)計(jì)了一個(gè)嚴(yán)謹(jǐn)?shù)幕卮鹂蚣埽?/p>

1.知識(shí)增強(qiáng) (Knowledge Augmentation)：在回答之前，一個(gè)輔助大語言模型會(huì)首先“回憶”與指令相關(guān)的常識(shí)知識(shí)。例如，提到“空間站”，它會(huì)補(bǔ)充“液體在微重力環(huán)境下會(huì)呈球狀漂浮，而不是向下流動(dòng)”這一物理學(xué)常識(shí)。

2.多階段推理 (Multi-Stage Reasoning)：隨后，Video LLM會(huì)進(jìn)行“三步走”式思考：首先，逐幀理解視頻的客觀內(nèi)容；接著，結(jié)合文本指令、常識(shí)知識(shí)和視頻畫面進(jìn)行綜合分析與反思；最后，給出“是”或“否”的結(jié)論，并附上推理依據(jù)。

最終，視頻的指令遵循度得分，即為其正確回答問題的百分比。這種方法不僅使評(píng)估結(jié)果更為精準(zhǔn)可靠，其清晰的決策過程也賦予了模型出色的可解釋性。

03

ETVA-Bench：一把衡量T2V模型的“新標(biāo)尺”

基于ETVA框架，研究團(tuán)隊(duì)構(gòu)建了一個(gè)全面的文生視頻對(duì)齊度評(píng)估基準(zhǔn)——ETVABench，它包含從10個(gè)不同維度（如物體存在、動(dòng)作、物理、相機(jī)運(yùn)鏡等）精選的2000條指令及衍生的12000個(gè)原子問題。并分別提供了面向開源模型的ETVABench-2000與面向閉源模型的ETVABench-105兩個(gè)評(píng)測集合。

上圖是ETVABench 每個(gè)類別的問題示例和 Prompt 示例。

上圖是ETVABench-2K 以及 ETVABench-105 在各個(gè)類別上的數(shù)量分布。

在與人類偏好一致性上，實(shí)驗(yàn)結(jié)果令人振奮：ETVA與人類裁判的判斷相關(guān)性達(dá)到了58.47，遠(yuǎn)超以往最優(yōu)方法（僅為31.0），證明了其作為新一代評(píng)估工具的卓越性能 。

以下表格展示了15個(gè)不同的文生視頻（T2V）模型在ETVABench-105基準(zhǔn)測試上的詳細(xì)評(píng)估結(jié)果。這些模型被分為兩組：10個(gè)開源模型和5個(gè)閉源模型。

評(píng)估維度涵蓋了10個(gè)細(xì)分領(lǐng)域，包括物體的存在性（Existence）、動(dòng)作（Action）、材質(zhì)（Material）、空間關(guān)系（Spatial）、數(shù)量（Number）、形狀（Shape）、顏色（Color）、相機(jī)運(yùn)鏡（Camera）、物理規(guī)律（Physics）和其他（Other），并計(jì)算了每個(gè)模型的平均分（Avg）。

從最終的平均分來看：

• 在所有參與評(píng)測的模型中，閉源模型Vidu-1.5的綜合表現(xiàn)最好，平均分達(dá)到了0.761。

• 在開源模型中，Hunyuan-Video表現(xiàn)最佳，平均分為0.686。

總體而言，閉源模型的平均分普遍高于開源模型，尤其在空間關(guān)系（Sora得分0.870）和材質(zhì)（Vidu-1.5得分0.854）等維度上展現(xiàn)出顯著優(yōu)勢(shì)。

通過對(duì)15個(gè)主流T2V模型（包括Sora、Kling等5個(gè)閉源模型和Hunyuan-Video等10個(gè)開源模型）的系統(tǒng)性評(píng)測，ETVA揭示了當(dāng)前模型普遍存在的短板，尤其是在物理規(guī)律模擬和相機(jī)運(yùn)動(dòng)控制方面能力不足，以下是四個(gè)例子。

• 物理現(xiàn)象：在“空間站倒水”測試中，Sora準(zhǔn)確還原了微重力，得分100；而Kling則表現(xiàn)為普通重力，得分僅37.5 。

• 顏色變化：在“葉子由綠變紅”測試中，Pika 沒有表現(xiàn)出葉子顏色變化的過程得分 50，而 Vidu 準(zhǔn)確的表現(xiàn)了出來，得分 100。

• 數(shù)量準(zhǔn)確性：在生成“三只貓頭鷹”時(shí)，Kling精準(zhǔn)無誤（100分），Sora卻多畫了一只（88.3分）。

• 手勢(shì)語義：Hunyuan準(zhǔn)確執(zhí)行了“拇指向下”的指令（100分），而Kling則將其誤解為“豎起大拇指”，語義錯(cuò)誤（40分）。

04

未來展望

ETVA不僅為我們提供了一個(gè)更可靠、更精細(xì)的T2V模型評(píng)估工具，更重要的是，它通過精準(zhǔn)定位現(xiàn)有模型的弱點(diǎn)，為下一代文生視頻技術(shù)的發(fā)展指明了方向。未來，研究團(tuán)隊(duì)將把ETVA框架拓展至更復(fù)雜、多元的視頻場景中，為構(gòu)建真正“理解”用戶意圖的智能生成模型鋪平道路。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。