OmniVBench：通用參考擷取至影片生成之評鑑與巨量資料集
為何重要
過往評鑑多僅看起來像影片，忽略參考條件的精細控制能力，而此資料集確認了模型在風格與內容解離上的技術缺口。這為開發者定義了「真正能被精準執行」的 R2V 能力，推動產業從素材堆砌轉向技術精緻化，並促使投資人更看重模型在細緻參考控制上的實證資料。
參考到影片（R2V）生成正轉向通用化控制，但現有評鑑在參考型別取樣與細緻指標上不足，且建構訓練資源成本高昂。
- OmniVBench 擴充套件評鑑範圍至 7 個任務家族與 18 個細緻任務，涵蓋內容、運動、風格、敘事等多重參考設定。
- 評估機制納入 12,172 項因素導向檢查清單，嚴格檢驗參考因子的忠實度、解離及指派正確性。
- 研究團隊發布 Omni-R2V 資料集，包含 340,000 個經過處理的來自專業影片的大型訓練語料庫。
- 在 OmniVBench 上的評測顯示，先進開源與封閉原始碼的 R2V 模型在各項維度上均存在顯著績效落差不夠。