视频模型视觉推理基准 VGI-Bench：Seedance 暂居首
青稞AI · wechat · 2026-09-01
针对视频生成模型是否具备“通过生成进行视觉推理”的能力，研究团队构建了包含 27 个任务、810 个样本的 VGI-Bench 基准。评测结果显示，模型已具备初步视觉推理能力，但距离稳定可靠仍有差距。
排名前三：Seedance 2.0 (51.0分), MiniMax-H3 (44.4分), Kling 3.0 (44.0分)。
关键发现：
- 视觉外观显著影响模型得分与排名。
- 在大规模合成数据上 Fine-tuning 能明显提升表现，主要源于推理能力增强及动作更温和（违规减少）。
- 内部去噪轨迹分析表明，模型在生成早期即形成解题假设，后期少有自我修正（与扩散语言模型不同）。
- 部分闭源模型的高分可能得益于外部的 VLM Prompt Rewriting，而非模型原生能力；而开源的 MiniMax-H3 逼近 SOTA，表明 Scaling Law 在视频推理中依然有效。
「多模态」频道最新
- AI 视频以假乱真:Reddit 用户感叹已难分辨真假内容 — gouterz · 2026-10-18
- 开发者发布 Qwen-Image-2.1 宽松限制 LoRA,几乎任意姿势可生成 — metalfans · 2026-10-18
- MiniMax H3 图生视频角色替换 prompt 结构实测：六段式模板全公开 — photobombolo · 2026-10-18
- Black Forest Labs 时隔许久发新图像模型，图像编辑能力惊艳 — Xianbao_QIAN · 2026-10-18
- DeepSeek V4.1 Flash 一句话生成细节拉满的90年代中国居民楼3D场景 — zizhpan · 2026-10-18
- 开源版CapCut:Rust引擎视频编辑器Concat可被AI Agent直接控制 — techNmak · 2026-10-18