WEBVTT

1
00:00:00.260 --> 00:00:07.600
想象原创动画：蓝球应平滑向右移动，不改变外观，也不突然跳跃。

2
00:00:08.500 --> 00:00:14.120
一个版本变模糊，难以看清球，但运动仍符合指令。

3
00:00:14.940 --> 00:00:21.720
另一个画面清晰却显示红球，虽然运动合理，仍违背所需颜色。

4
00:00:22.680 --> 00:00:28.380
第三个颜色正确却无故跳跃，形成另一种随时间变化的问题。

5
00:00:29.280 --> 00:00:35.480
这些动画是原创教学示例，并非研究样本、实测输出或复制论文视频。

6
00:00:36.260 --> 00:00:42.340
重点是区别：评分前，视觉质量、指令对齐和物理一致性应分别考察。

7
00:00:42.913 --> 00:00:50.533
视觉质量考察清晰度、平滑程度、亮度稳定、畸变等影响观看的缺陷。

8
00:00:51.693 --> 00:00:59.033
文本对齐把主体、动作、细节、风格和事件顺序与生成提示比较。

9
00:01:00.213 --> 00:01:06.553
物理一致性检查行为是否符合日常预期及随时间展开的合理物体关系。

10
00:01:07.733 --> 00:01:14.453
论文把时间一致性纳入视觉质量，另设物理与常识一致性维度。

11
00:01:15.633 --> 00:01:21.533
三个得分因此描述同一候选的不同方面，而不是整体判断的三个可互换版本。

12
00:01:22.433 --> 00:01:29.493
缺陷可影响多个轴；分开评分展示不同问题，而非完全独立的干预。

13
00:01:30.120 --> 00:01:37.220
VideoFeedback2 将生成视频与维度得分和解释配对，提供评价和诊断语言样本。

14
00:01:38.040 --> 00:01:44.360
处理后包含二万七千一百六十八视频，每例沿三个轴评估。

15
00:01:44.960 --> 00:01:51.380
它包含八万一千五百零四个带理由维度得分，而非每视频一个独立评级。

16
00:01:52.160 --> 00:01:59.360
提示包含多动作、可读文字、相机运动；视频覆盖多系统与不同质量水平。

17
00:02:00.280 --> 00:02:06.480
留出五百视频组成 VideoScore-Bench-v2，形成与训练分开的域内测试。

18
00:02:07.420 --> 00:02:13.060
这教授评价器检查内容及描述观察问题的方式，而不是只提供数值标签。

19
00:02:13.727 --> 00:02:20.367
人工标注者给三个维度各赋一至五分，并写简短诊断评论。

20
00:02:21.207 --> 00:02:28.107
语言模型读取采样帧、指令及不含人工得分的评论，生成更详细评价。

21
00:02:28.967 --> 00:02:35.187
预测得分按明确差异门槛与人工评价协调，差异大时重新评分。

22
00:02:36.087 --> 00:02:42.787
后续对齐调整理由措辞，使其匹配最终得分，保留评价含义并消除描述不一致。

23
00:02:43.787 --> 00:02:50.107
详细训练理由使用语言模型辅助扩展，并非全部直接来自人工标注。

24
00:02:50.847 --> 00:02:57.427
评价器学习先描述观察证据再评分，让理由与三轴输出一起可供检查。

25
00:02:58.013 --> 00:03:05.813
训练从 Qwen2.5-VL-7B-Instruct 开始，先进行监督微调冷启动。

26
00:03:06.693 --> 00:03:12.653
冷启动训练教授任务与输出结构：先分析，再给出三个维度得分。

27
00:03:13.613 --> 00:03:18.873
随后 GRPO 强化学习改进监督检查点，奖励依据与目标维度得分的一致性。

28
00:03:19.813 --> 00:03:27.233
非零准确奖励要求每维度与参考相差不超过一点，精确一致获得更强奖励。

29
00:03:28.173 --> 00:03:35.013
报告结果使用三百步强化学习检查点，推理每秒采样两帧。

30
00:03:35.893 --> 00:03:42.053
这训练评价生成候选的评价器，不同时优化产生候选的生成器。

31
00:03:42.700 --> 00:03:49.400
域内测试精确评分准确率在视觉质量、文本对齐和物理一致性上平均。

32
00:03:50.220 --> 00:03:57.260
VideoScore1.1 为三十八点四一，VideoScore2 达到四十四点三五。

33
00:03:58.120 --> 00:04:04.040
宽松准确率使用不同容差，把与参考相差一点以内的预测计为正确。

34
00:04:04.760 --> 00:04:09.680
VideoScore2 在宽松指标下为九十点七八，这与精确匹配是不同事件。

35
00:04:10.680 --> 00:04:16.580
相关性是另一报告指标，描述预测与参考如何共同变化，而非匹配单个整数评级。

36
00:04:17.420 --> 00:04:23.260
区分这些指标，避免把高容差得分解释为同样高的精确判断比例。

37
00:04:23.880 --> 00:04:30.200
域外比较覆盖四基准，包括两个成对偏好和两个评分设置，评价目标不同。

38
00:04:30.980 --> 00:04:37.580
偏好测试选择一对视频中更好的；评分测试将数值评价与人工参考比较。

39
00:04:38.480 --> 00:04:44.100
维度经过映射、得分经过缩放，让论文汇总这些不同基准设置的性能。

40
00:04:45.080 --> 00:04:52.660
表六报告 VideoScore2 五十点三七，Q-Insight 四十六点零五。

41
00:04:53.400 --> 00:05:00.680
这是混合基准指标的综合均值，不是通用视频判断准确率，也不是每基准获胜。

42
00:05:01.500 --> 00:05:07.440
它支持三轴评价在报告映射下的迁移，同时保留各比较的具体任务范围。

43
00:05:07.980 --> 00:05:14.380
训练后的评价器比较生成视频备选项，通过评价从输入候选中选择更有希望的输出。

44
00:05:15.220 --> 00:05:21.780
论文在五百提示和六个中等或较差生成器上测试五选一，并与随机选择比较。

45
00:05:22.680 --> 00:05:28.920
选择针对已有输出，并不在决定返回哪个视频时改变生成器参数。

46
00:05:29.820 --> 00:05:36.080
回到蓝球：比较备选项时，清晰度、所需内容与合理运动仍是不同问题。

47
00:05:36.940 --> 00:05:42.400
带理由评价器解释观察到了什么、影响哪个维度，以及证据怎样支持最终得分。

48
00:05:43.340 --> 00:05:49.400
先思考再评分让判断更可检查，而实测可靠性仍限定在评估任务与配置。