BVB：通过 Blender 程序化重建评测智能体视频理解能力
BVB，即 Blender-VideoBench，用于评估多模态智能体能否通过编程，将现实世界视频重建为带动画的 Blender 场景。所有智能体都在相同的沙盒环境中完成重建，评测指标包括保留视频时空事实的能力，以及与原始视频的感知相似度。在来自 10 个模型系列的 51 种配置中，最佳模型的潜在相似度达到 88.6，但仅保留了原视频正确时空答案的 53.7%。增加推理过程可以提升视觉相似度，却无法弥合事实准确性方面的差距。研究表明，程序化重建可作为评估智能体视频理解能力的有效方法，但语义保留仍是主要难题。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。