當(dāng)視頻生成模型走出娛樂創(chuàng)作的舒適區(qū)，進(jìn)入科學(xué)、醫(yī)療、教育等知識(shí)密集場景，它們是否還能生成事實(shí)準(zhǔn)確、清晰可用的視頻？

任務(wù)對(duì)比 —— 傳統(tǒng)視覺質(zhì)量導(dǎo)向 vs KIVI 知識(shí)密集型導(dǎo)向

針對(duì)這一挑戰(zhàn)，研究者首次定義了「知識(shí)密集型視頻生成」（KIVI）新任務(wù) —— 要求模型從簡短提示詞出發(fā)，生成事實(shí)準(zhǔn)確、用戶能照著做的視頻。團(tuán)隊(duì)配套構(gòu)建了 1080 條提示詞的 KIVI-Bench 評(píng)測集，提出 FactP 與 HelpS 兩個(gè)自動(dòng)指標(biāo)，并在 7 款主流模型上揭示了實(shí)體誤描、操作錯(cuò)誤、組件錯(cuò)位三類系統(tǒng)性短板。

• 論文標(biāo)題：Knowledge-Intensive Video Generation
• 論文鏈接：https://arxiv.org/abs/2606.01285
• 代碼倉庫：https://github.com/wcxhimself/KIVI

一個(gè)被忽視的空白：

視頻生成不該只為娛樂存在

過去兩年，從 Sora 到 Seedance，視頻生成模型在畫面質(zhì)量、運(yùn)動(dòng)流暢度和時(shí)空一致性等方面取得了顯著進(jìn)展。然而，現(xiàn)有研究與評(píng)測仍主要圍繞「視頻是否好看」展開，較少關(guān)注生成內(nèi)容是否事實(shí)準(zhǔn)確、過程是否合理、信息是否真正有用。

隨著視頻生成技術(shù)逐漸走出娛樂創(chuàng)作場景，它正在進(jìn)入醫(yī)療、教育、科學(xué)傳播、操作指導(dǎo)等知識(shí)密集領(lǐng)域。在這些場景中，用戶關(guān)心的不只是畫面是否逼真，而是模型能否準(zhǔn)確表達(dá)知識(shí)、清晰展示過程，并幫助用戶理解或完成具體任務(wù)。也就是說，視頻生成模型面臨的核心問題正在發(fā)生變化：從「能否生成自然流暢的視頻」，轉(zhuǎn)向「能否生成知識(shí)可靠且有實(shí)際價(jià)值的視頻」。

這種變化也暴露出現(xiàn)有視頻生成范式與真實(shí)用戶需求之間的錯(cuò)位。比如，當(dāng)用戶搜索「如何更換汽車輪胎」時(shí)，他們期待的不是一段視覺效果華麗但步驟含糊的視頻，也不是先由自己寫出完整分鏡腳本，再交給模型逐段生成，更合理的方式應(yīng)該是，模型能夠直接理解用戶意圖，并生成一段步驟正確、過程清晰、可操作的視頻。因此，我們提出 KIVI，將視頻生成的評(píng)測目標(biāo)從視覺質(zhì)量導(dǎo)向，推進(jìn)到知識(shí)可靠性與用戶實(shí)用性導(dǎo)向。

KIVI-Bench：

1080 條模擬用戶真實(shí)使用場景的提示詞

18個(gè)類別涵蓋汽車維護(hù)、健康醫(yī)療、電子設(shè)備等，經(jīng) LLM 擴(kuò)充與人工去重后保留 1080 條提示詞。

提示詞的構(gòu)造遵循五個(gè)標(biāo)準(zhǔn)。視頻優(yōu)越性：比文字更直觀（如空間操作、界面導(dǎo)航）；事實(shí)正確且可核驗(yàn)：提示詞事實(shí)正確，實(shí)體有公開文檔可核驗(yàn)；專有名詞有知識(shí)挑戰(zhàn)性：使用具體產(chǎn)品實(shí)名（如 Bosticht 卷筆刀），而非泛指實(shí)體；超越常識(shí)：需要真正掌握特定知識(shí)（如 Omron BP5450 血壓計(jì)的操作步驟），不能僅憑日常經(jīng)驗(yàn)作答。貼近真實(shí)：表述簡短自然，符合用戶實(shí)際提問方式。

自動(dòng)評(píng)估標(biāo)準(zhǔn)：FactP 與 HelpS

傳統(tǒng)視覺指標(biāo)（Imaging Quality, Motion Smoothness 等）與人類對(duì)內(nèi)容準(zhǔn)確性和幫助性的判斷幾乎無關(guān)，為此，KIVI 設(shè)計(jì)了兩個(gè)互補(bǔ)的自動(dòng)評(píng)估標(biāo)準(zhǔn)：

FactP（事實(shí)精度）回答「說沒說對(duì)」。它的思路是先抽取、再驗(yàn)證 ——LLM 從視頻中提取原子化聲明，逐條判定正誤，按正確比例計(jì)分。

HelpS（幫助性評(píng)分）回答「能不能照著做」。LLM 從相關(guān)性、完整性、清晰度三個(gè)維度打分，核心追問：用戶能否僅憑這段視頻完成所提任務(wù)？兩者互補(bǔ)，形成完整評(píng)價(jià)體系。

KIVI 多階段評(píng)測管線

七款模型「同臺(tái)應(yīng)試」

團(tuán)隊(duì)評(píng)測了 7 款主流系統(tǒng)，涵蓋閉源 API（Seedance 2.0、HappyHorse 1.0）、開源短視頻生成模型（Wan 2.2、HunyuanVideo 1.5）和開源長視頻模型（Helios-Base、LongCat-Video、LongLive 1.0）。

人工制作視頻的 FactP 和 HelpS 分別達(dá)到 97.8% 和 81.9%，遠(yuǎn)超當(dāng)前視頻生成模型。在模型結(jié)果中，閉源短視頻模型 HappyHorse 1.0 獲得最高 FactP（83.2%），Seedance 2.0 獲得最高 HelpS（66.6%）。最佳開源短視頻模型 Wan 2.2 的 FactP 和 HelpS 分別為 73.1% 和 48.4%，與閉源模型仍存在明顯差距?？傮w來看，短視頻生成模型雖然尚未達(dá)到人工制作水平，但在事實(shí)準(zhǔn)確性和幫助性上均顯著優(yōu)于長視頻生成模型。

KIVI-Bench 評(píng)測結(jié)果（基于 54 條均勻采樣子集）

人類評(píng)估：在 108 組兩兩對(duì)比中，F(xiàn)actP 與人工事實(shí)判斷一致性達(dá) 70.8%，顯著優(yōu)于現(xiàn)有的視頻質(zhì)量自動(dòng)評(píng)估標(biāo)準(zhǔn) VBench-Long 最優(yōu)維度（56.5%），HelpS 與人工幫助性判斷一致性達(dá) 69.0%。而傳統(tǒng)指標(biāo)如 Imaging Quality（38.9%）幾乎與人類判斷無關(guān)。

人類評(píng)估結(jié)果

三大系統(tǒng)性錯(cuò)誤：模型到底錯(cuò)在哪？

錯(cuò)誤類型占比

對(duì)870條錯(cuò)誤聲明的分類揭示三類短板：

實(shí)體誤描占比最高，達(dá) 42.6%。模型經(jīng)常 "發(fā)明" 不存在的外觀特征，涉及特定產(chǎn)品型號(hào)時(shí)幻覺率急劇攀升 —— 比如將 Bostitch 電動(dòng)卷筆刀畫成了盒狀插孔，而真機(jī)是弧形機(jī)身。

操作錯(cuò)誤緊隨其后，占 40.7%，這類錯(cuò)誤更隱蔽：外觀畫對(duì)了，步驟卻錯(cuò)了。模型能還原 BP5450 血壓計(jì)的外形，卻把袖帶綁在了前臂，而這臺(tái)設(shè)備專為上臂設(shè)計(jì)，暴露了程序性知識(shí)的系統(tǒng)性缺失。

組件錯(cuò)位占比 15.0%，雖然比例最低，但機(jī)油和漏斗出現(xiàn)在中央扶手箱而非發(fā)動(dòng)機(jī)艙這類錯(cuò)誤，同樣意味著視頻對(duì)用戶毫無幫助。

三類主要事實(shí)性錯(cuò)誤示例

結(jié)語：從視覺生成走向知識(shí)傳達(dá)

KIVI 系統(tǒng)定義了視頻生成中一個(gè)長期被忽視的任務(wù)方向：視頻不應(yīng)只服務(wù)于娛樂創(chuàng)作，也應(yīng)能夠在知識(shí)密集場景中準(zhǔn)確傳達(dá)信息、清晰展示過程，并真正幫助用戶理解或完成任務(wù)。

當(dāng)目標(biāo)從「還原畫面描述」轉(zhuǎn)向「傳達(dá)可靠知識(shí)」，視頻生成的評(píng)測標(biāo)準(zhǔn)也需要隨之改變。傳統(tǒng)評(píng)測中表現(xiàn)最好的模型，未必能夠在事實(shí)性、過程合理性和實(shí)用性上保持優(yōu)勢(shì)；而從簡短文本需求直接生成知識(shí)型視覺內(nèi)容，也對(duì)模型的理解、規(guī)劃和生成能力提出了更高要求。

因此，KIVI 不只是一個(gè)新的基準(zhǔn)，更是在重新定義視頻生成的下一階段目標(biāo)：從「畫面是否自然」走向「內(nèi)容是否可靠」，從「娛樂創(chuàng)作工具」走向「知識(shí)獲取媒介」。這也指向了視頻生成從像素空間走向?qū)嵱每臻g的下一個(gè)前沿方向。