发布PhyAVBench音视频物理基准，评估17个模型

论文作者提出并发布PhyAVBench，称其为首个系统评估文本到音视频（T2AV）、图像到音视频（I2AV）和视频到音频（V2A）模型音频—物理基础能力的基准，并提出CPRS（Contrastive Physical Response Score）指标。 基准包含PhyAV-Sound-11K数据集，共25.5小时、11,605个有声视频，由184名参与者采集以保持多样性并避免数据泄露，覆盖337组配对提示词、6个音频—物理维度和41个细粒度测试点。 作者用该基准评估了17个最先进模型，结果显示即使领先的商业模型也难以应对基本的音频—物理现象。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。