PAWBench实测：给定目标结果，视频模型仅38–58%概率生成
RisingSayak · x · 2026-08-28
PAWBench 线程的关键实验结果：作者尝试三种修复——更清晰的结果指令、更多样的采样、额外训练——每种各解决一部分问题，但没有一种能端到端修复。即使明确告诉模型期望的结果，它也只在 38–58% 的情况下生成该结果。此外模型会对错误的信号起反应：改变真实物理时预测变化太小，改变无关视觉/文本线索时变化反而过大。
所属事件:PAWBench 评估显示视频模型缺乏概率对齐能力(5 条相关)→
「研究」频道最新
- RExBench 基准:最强编码 Agent 自主完成研究扩展成功率仅 33% — najoungkim · 2026-10-16
- Google 发布 CLASHarness:基准测试多智能体冲突下的计算机操作能力 — google · 2026-10-16
- 清华团队证明:普通 Flow Matching 采样无法突破固定深度模型表达力上限 — SQZ · 2026-10-16
- APEX-Harm 基准:共享工作区中脚本注入攻击对智能体成功率居高不下 — KAUST · 2026-10-16
- USC 研究:智能体 residual stream 状态可预测并拦截越权动作与事后撒谎 — USC · 2026-10-16
- KAUST 提出 NoteBank:稀疏情景记忆让线性注意力轻松扩展长上下文 — kaust-generative-ai · 2026-10-16