「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了（

1.看世界的维度

近年来，Text-to-Video（T2V）模型取得显著进展——从静态帧质量到连贯的视频叙事，模型能力大幅提升，尤其是最近Sora2的爆火，让人们开始想象，T2V Model是否已经是一个真正的“世界模型”？。

2.看世界的维度是什么意思

然而，传统基准主要考察图像质量与语义一致性，并不能系统衡量模型对事件因果、物理规律与常识的理解，而这些正是“世界模型”的核心能力为此，中山大学、香港理工大学、清华大学与OPPO Research Institute合作，在港理工Chair Professor张磊教授的指导下提出了一种新的评测框架——。

3.维度世界是什么

VideoVerse。

4.多维角度看世界

设计目标与核心内容VideoVerse致力于评估T2V模型在事件级时间因果与世界知识（物理、材料、常识）上的表现团队从两大视角定义了十个评测维度：1、动态（Dynamic）：Event Following（事件顺序与因果）、Mechanics（力学）、Interaction（交互）、Material Properties（材料特性）、Camera Control（镜头控制）。

5.讲维度的视频

2、静态（Static）：Natural Constraints（自然/物理约束）、Common Sense（常识）、Attribution Correctness（属性正确性）、2D Layout（二维布局）、3D Depth（三维深度）。

6.纬度视界

每条prompt对应若干二元（Yes/No）评测问题；Event Following采用事件序列匹配（LCS）度量序列一致性。最终通过QA LCS的混合评分，得到模型在各维度上的综合表现。

7.三维角度看世界

Prompt构建流程为确保prompt的真实性、多样性与可评测性，团队采用多阶段构建流程：域内原始语料采样团队从三大域获取源数据：Daily Life（如 ActivityNet Caption）、Scientific Experiment（高中/教科书级实验步骤）、Science Fiction（VidProM 等社区收集）。

8.多个维度看世界

目的是覆盖真实世界场景、受控科学实验与超现实/想象场景，以测试模型的现实/推理/泛化能力事件与因果结构抽取团队使用GPT-4o等强LLM自动抽取视频或文本中的事件序列与潜在因果链，把自然语言描述转换为事件级结构（event1 ⇒ event2 ⇒ event3…）。

9.世界维度图

这么做是为了保证prompt天然具备事件因果的性质，为prompt中的“事件跟随”评测打下基础人工标注与评测维度独立人类注释者对自动抽取的raw-prompt进行语义增补（例如加入材料、镜头动作、隐藏语义）、并为每条prompt选择适用的评测维度。

10.维度观什么意思

注释者均具备本科及以上学历，定期交叉校验以减少偏差这样，可以将自动抽取与人工知识结合，保障prompt的多维挑战性与标注质量维度二元检测问题生成基于每条prompt的选定维度，自动/人工生成与之对应的二元QA（例如：“视频中是否出现蓝色海绵？”、“事件顺序是否为A