PhysTrace：视频物理一致性时序评估框架
热点事件持续更新
PhysTrace：视频物理一致性时序评估框架
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Taekoan Yoo 等作者提出 PhysTrace，一个无需训练的框架：它用多模态大模型（MLLM）构建以历史为条件的物理预期，再通过时序视频—语言对齐，追踪这些预期与观测视频片段是否一致，而不是直接判断视频是否可信。 在 IntPhys2 基准上，PhysTrace 对“可能/不可能”视频的判别准确率为 67.2%，作者称其超过所评估的直接 MLLM 基线；在作者新提出的 IntPhys2-Timing 数据集上，违规区间定位的 Hit Rate 最高达 77.4%。
AI 根据报道生成 · 1 小时前更新
最新进展11月6日 13:00
PhysTrace：视频生成模型物理一致性的可解释时序评估框架报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv cs.AIPhysTrace：视频生成模型物理一致性的可解释时序评估框架
PhysTrace 是一个无需训练的框架，利用 MLLM 构建以历史为条件的物理预期，并通过时序视频-语言对齐追踪其与观测视频片段的一致性。在 IntPhys2 上，PhysTrace 实现 67.2% 的可能-不可能判别准确率，超过所评估的直接 MLLM 基线；在新提出的 IntPhys2-Timing 上，违规区间定位 Hit Rate 最高达 77.4%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。