arXiv cs.AI· Hao Wang, Tao Yu, Liuzhou Zhang, HeXin Wang, Haopeng Jin, Yuxuan Zhou, Xinming Wang, Hongzhu Yi, Xinye Li, Yuanlei Wang, Ping Nie, Yan Huang, Yuxuan Zhang, Pengfei Zhou, Yanyan Zou, Wei Yang·· 11 小时前AI 评分31
OPIS：面向视频世界模型多物体记忆的输入锚定基准
OPIS: An Input-Grounded Benchmark for Multi-Object Memory in Video World Models
AI 导读
研究者提出 OPIS，一个严格锚定初始观测中固定物体实例的输入锚定基准，用于评估视频世界模型的多物体记忆能力。
正文 · AI 翻译
作者：Hao Wang、Tao Yu、Liuzhou Zhang、HeXin Wang、Haopeng Jin、Yuxuan Zhou、Xinming Wang、Hongzhu Yi、Xinye Li、Yuanlei Wang、Ping Nie、Yan Huang、Yuxuan Zhang、Pengfei Zhou、Yanyan Zou、Wei Yang
摘要：视频世界模型必须随时间保持世界的视觉状态，但现有的评估协议往往依赖生成的历史、视频参考或选定的重访视角，这些都可能干扰对模型真实记忆能力的评估。为解决这一问题，我们提出了 OPIS，一个基于输入的基准，严格将评估锚定在初始观测中固定的一组物体实例上，用于评估视频世界模型中的多物体记忆。OPIS 数据集包含 500 个案例，涵盖真实世界、具身机器人和游戏世界领域，为 12,672 个刚性、铰接和可变形实例提供了密集的物体级标注。我们的以物体为中心的评估器结合关联和显式可见性推理，分层测量物体（O）存在性（P）、身份（I）和结构（S），并基于物体运动学采用静态或动态评估轨道。在八个图像到视频或相机条件的世界模型中，我们提出的 OPIS 得分范围为 48.65 至 56.01。随着参考清单从少于 20 个物体增长到超过 40 个物体，存在性、身份和结构得分总体呈下降趋势，平均身份得分从 40.22 降至 23.11。结果表明，保留输入中的特定物体实例比生成合理的视觉元素要困难得多。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.35052 [cs.CV] |
| （或 arXiv:2609.35052v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.35052 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hao Wang [查看电子邮件]
[v1]
2026年9月28日星期一 12:46:29 UTC（4,732 KB）
[v2]
2026年10月20日星期二 13:35:33 UTC（5,703 KB）
来源：arXiv cs.AI · arxiv.org