你有没有想过这样一个问题：如果给AI一张纸币的照片，让它生成一段"把纸币折成乌龟"的视频，AI最容易犯的错误是什么？
不是折得不像乌龟。而是它可能直接生成一只真的乌龟。
这听起来有点荒谬，但这恰恰是当下视频生成模型最容易踩的坑。它完成了"乌龟"这个结果,却抛弃了"纸币"这个前提。任务看似达成了，但它跟你给的那张照片，已经没有任何关系了。
这就是中国科学技术大学联合FrameX.AI等机构的研究者们，在一篇名为《SemComp-Bench》的论文里想要揪出来的问题。他们发现，现在评价AI生成视频好不好，大家关注的都是画面清不清晰、动作连不连贯、这个物体像不像那个物体，却很少有人问一个更根本的问题：这段视频，到底有没有完成任务？完成任务的同时，有没有骗一下你的眼睛，用一个毫不相干的东西替换掉你给它的参考对象？
一个被所有人忽略的评价维度
先说说这件事到底难在哪儿。
过去几年,视频生成模型突飞猛进,Sora、Veo、Kling这些名字你可能都听过,它们生成的视频已经能做到画面精致、运动流畅、甚至能理解复杂的文字指令。学术圈用来评价这些模型的工具也越来越成熟，比如VBench、EvalCrafter这类基准测试，它们衡量的是画面质量、时间上的连贯性、指令有没有被听懂。
但这些基准测试有一个共同的盲点。
它们几乎都在测试"过程"，却没有真正测试"结果"。换句话说,如果你让AI生成"给这个人化个万圣节骷髅妆"的视频，现有的评价体系可能会关注这个人的脸有没有变形、化妆的手法动作是否流畅，但很少有人真正去核验：视频最后那一帧，这个人脸上到底有没有出现骷髅妆？如果化妆化到一半突然换了个完全不认识的人的脸，这算不算完成任务？
**这正是论文提出的核心概念:语义任务完成型视频生成(Semantic Task Completion Video Generation)。**
它要求生成的视频同时满足两件事：结果真的达成了，并且这个结果和你提供的参考图片之间，保持着"语义层面"上说得通的关系。
> 语义任务完成：一种以结果为导向的视频生成任务范式,强调最终状态是否达成目标,以及这个最终状态是否和参考图片存在合理的高层语义对应关系,而不要求过程完整或者画面像素级一致。
这里有个细节值得琢磨:论文特别强调,评价只看"结果
天牛宝提示：文章来自网络，不代表本站观点。
