Newest papers

PVBench: Quantifying Physical Plausibility in Video Generation with Object-Level Physical Measurements

Kaiwei Chen, Moran Li, 甘振业, Yabiao Wang, Chengjie Wang, Kexin Zhang, Yong Liu, Jiangning Zhang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26711 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mô hình tái tạo video mới nhất tạo ra các kết quả hình ảnh hấp dẫn, nhưng tính xác thực vật lý của chúng vẫn được đo lường kém. Phân tích xác thực vật lý hỏi liệu các đối tượng được tạo ra có tuân thủ các định luật hình học, động học, động lực và bảo tồn hay không. Các chuẩn mực hiện tại dựa trên các phán đoán mô hình ngôn ngữ hình ảnh thô hoặc mục tiêu các mô hình thế giới được thể hiện hơn là bản thân. Chúng tôi giới thiệu PVBench, một chuẩn mực video vật lý đo lường tính xác thực của các video được tạo ra trên 46 chiều được tổ chức thành bảy lĩnh vực, bao gồm: i) hướng dẫn và độ tin cậy ngữ nghĩa, ii) hành vi và tính nhất quán nhân quả, iii) chất lượng nhận thức và thời gian, iv) tính nhất quán địa lý và không gian, v) tài sản vật chất

Machine translation (Meta M2M100); the English original follows.

Abstract

Recent video generation models produce visually compelling outputs, yet their physical plausibility remains poorly measured. Physical plausibility asks whether generated objects obey geometry, kinematics, dynamics, and conservation laws. Existing benchmarks rely on coarse visual-language model judgments or target embodied world models rather than video generation itself. We introduce PVBench, a physical video benchmark that quantitatively measures the plausibility of generated videos across 46 dimensions organized into seven domains, spanning: i) instruction and semantic fidelity, ii) behavioral and causal consistency, iii) perceptual and temporal quality, iv) geometric and spatial consistency, v) material properties and field states, vi) kinematic and spatiotemporal persistence, vii) and mechanical plausibility with conservation laws. PVBench comprises 600 carefully crafted prompts, of which 30% involve physical embodied agents such as robot arms, humanoids, quadrupeds, and multi-agent systems. For challenging physically tractable dimensions, it pairs each with specialized vision models that derive verifiable, physically grounded measurements, such as object-level 6D pose, metric scale, surface normals, kinematics, and numerical conservation-law residuals. It thus avoids relying solely on subjective scoring, while supporting both text-to-video and image-to-video generation. Finally, we validate the agreement between automatic metrics and human judgments through human evaluation. Meanwhile, we evaluate mainstream open-source and closed-source models and present several insights. By releasing the benchmark, prompts, and calibration protocol, we aim to foster physically grounded video generation.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Embodied cognition, Metric (unit), Artificial intelligence, Benchmark (surveying), Field (mathematics)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange