知识密集型视频生成

文本到视频的生成在视觉质量方面取得了快速进步，但其真实性和实用性仍然被低估。我们引入知识密集型视频生成（KIVI），模型根据简短的信息搜索提示生成视频，要求解释、过程或演示。为了评估此设置，我们构建了 KIVI-Bench（包含 1,080 个提示的基准），并提出了真实性和有用性的自动指标。人工评估表明，与现有替代方案相比，我们的指标明显更好地符合人工注释。对七种最先进的视频生成模型的实验表明，当前的系统仍然落后于人类的表现，特别是在视觉属性、程序操作和清晰的信息呈现方面。这些结果凸显了 KIVI 作为事实和教学有用视频生成的一个具有挑战性的方向。