Ego2Act：评估第一人称视频生成中的目标导向操作

Ego2Act 是一个评估第一人称视频生成中目标导向操作的基准，针对现有基准多聚焦单一短动作或分步指令、忽视多步物理推理的问题。该基准要求模型在生成视觉画面之外，还需预测执行目标导向动作时环境的动态演变，从而检验其作为具身规划与学习世界模拟器的能力。