人工智能領域正迎來一場針對視頻技術的深度革新。浙江大學聯合字節跳動與浙江實驗室的研究團隊，在arXiv平臺發布了一項突破性成果——全球首個統一視頻評測基準UniVBench，為評估視頻AI系統能力提供了全新標準。這項研究通過構建原創數據集與智能評測體系，揭示了當前主流模型在動態理解、時序一致性等關鍵維度的技術瓶頸。

傳統評測體系長期存在"各自為政"的弊端：視頻理解與生成模型采用完全不同的評估標準，如同用不同尺子丈量身高與體重。更嚴重的是，現有基準多依賴網絡公開視頻，導致模型在訓練階段可能已接觸過測試素材，評測結果可信度大打折扣。研究團隊指出，現有基準往往僅關注畫面質量或色彩搭配等單一維度，難以全面衡量模型的真實能力。

針對這些痛點，UniVBench構建了包含六大核心任務的評測框架：視頻理解、文本生成視頻、參考圖像生成視頻、文本指令編輯、參考圖像編輯及視頻重構。其中最具創新性的視頻重構任務，要求模型先理解視頻內容并生成文字描述，再依據描述重建視頻。這一過程猶如讓畫家先觀摩作品后閉眼作畫，最終通過對比原作與復制品檢驗其綜合實力。測試顯示，即便最先進的模型在該任務中得分也未超過63%，暴露出理解到生成環節的信息損耗問題。

為確保評測公正性，研究團隊摒棄現有視頻資源，自主創作了200個專業級視頻素材。這些內容涵蓋單鏡頭與多鏡頭場景，平均每個視頻包含3.72個鏡頭切換。制作過程采用三重質量控制機制：自動化預篩選、專家組評審與質量專員終檢，每個視頻平均需2.3次生成嘗試才能達標。配套的864張參考圖像庫，覆蓋人物、動物、非生物等六大主體類別，以及現實主義、科幻等六大風格維度。

智能評測系統UniV-eval的引入，使評估過程具備可解釋性。該系統將多鏡頭視頻分解為獨立單元，針對每個鏡頭從主體對象、動作表現、鏡頭運動等21個細分維度進行打分。在人工驗證實驗中，系統評分與專業評審意見一致性達85%，證明其可靠性。例如在評估"動物揮手"場景時，系統能精準指出多數模型遺漏了"兩只動物走向鏡頭"的關鍵動作序列。

對12個主流模型的評測結果顯示，不同系統呈現顯著的能力分化。在視頻理解任務中，Gemini 2.5 Pro以54.1%的得分領先，而統一模型Showo-2僅獲16.3分；視頻生成領域，Seedance-1.0-Pro以77.9%的得分脫穎而出，但所有模型在動作維度普遍表現薄弱。特別在處理"貓進入恐龍窩"這類涉及物體交互的場景時，多數模型無法還原寵物窩嘴巴張開的細節，暴露出時空關系理解的技術短板。

該研究還揭示了長時序一致性的挑戰。在多鏡頭視頻生成任務中，模型常出現主體形象不一致問題，如同演員中途"換臉"。與傳統指標對比顯示，UniV-eval能提供更細粒度的診斷信息：當模型生成的"恐龍窩"缺少嘴巴張開細節時，系統可明確指出這是"物體交互邏輯缺失"，而非籠統的"畫面質量不足"。這種精準定位為技術改進指明了方向。

目前，研究團隊已開源全部代碼與數據集，為全球研究者提供基準測試平臺。這項成果不僅為模型開發者提供診斷工具，也為行業用戶選擇視頻AI產品提供客觀依據。隨著統一評測標準的建立，視頻AI技術有望突破當前碎片化發展模式，向更均衡、更實用的方向邁進。相關論文可通過arXiv編號2602.21835v1獲取完整技術細節。