VGenST-Bench: A Benchmark for Spatio-Temporal Reasoning via Active Video Synthesis
主动合成视频的时空推理评测基准
🧭 多模态大模型时空推理评测
Sungkyunkwan University · Yonsei University
通过生成式模型主动合成可控视频，构建精细诊断多模态大模型时空推理能力的基准。
📌 工作参考价值（4 点）
- 若业务涉及视频理解或多模态 Agent，可借鉴通过主动合成可控场景构建评测集的方法，避免真实视频的变量不可控和偏差。
- 多智能体流水线配合人工质控的流程可迁移用于构建领域专有评测集，例如商品展示视频中的交互理解评测。
- 将任务解耦为低级视觉感知和高级时空推理的层级设计，可用于开发细粒度模型诊断工具，定位推理薄弱环节。
- 视频分类法（空间尺度、视角、场景动态）提供了构建更全面视频评测集的结构化思路。