研究人员推出了 Code2Video-Compass，这是一个旨在评估多模态大语言模型（MLLMs）在基于代码的视频生成方面能力的新基准。该基准涵盖了文本到视频（T2V）、图像到视频（I2V）和视频到视频（V2V）任务，包含 10 个类别和三个复杂度维度下的 2,104 个场景。对 15 个领先 MLLMs 的评估表明，即使是先进的模型，在生成高质量、完整且符合复杂文本和视觉要求方面也面临困难，尤其是在任务复杂度增加时。 AI
影响 该基准将帮助研究人员识别并解决 MLLMs 在复杂视频生成任务中的局限性。
排序理由 该集群描述了一篇发表在 arXiv 上的新基准论文。
- Code2Video-Compass
- Hugging Face
- I2V-Adapter: A General Image-to-Video Adapter for Diffusion Models
- MLLMs
- Multimodal Large Language Models
- vehicular communication system
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
