GenState-AI文本到视频检索基准发布

Minghan Li等作者发布GenState-AI基准，用于评测AI生成视频的文本到视频检索。该基准包含956个AI生成视频和195条经人工核验的状态变化查询，覆盖Toy、Cartoon、Home和Manipulation四个领域；构建时使用提示控制的变体，针对冲突的时间/状态结果或语义替换。 作者用标准Recall@K和三元组一致性指标评测VCF-Lik、Qwen3-VL和LanguageBind。结果显示，Qwen3-VL（8B）取得最佳宏平均R@1与三元组一致性，LanguageBind语义区分准确率最高；但更强的检索并不总带来正确的难负例排序，Qwen3-VL与LanguageBind在Manipulation三元组上仍偏弱，VCF-Lik在该项明显更好。

根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。