[CVPR 2026] UniVBench：打破碎片化，首个视频基座模型“全能考场”

TL;DR

在视频基座模型（Video Foundation Models）竞速的今天，我们面临一个尴尬的现状：理解模型的测不出生成力，生成模型的看不懂复杂指令。浙江大学与字节跳动联合推出的 UniVBench 填补了这一空白。它通过 200 个高质量多镜头视频和一套 Agent 驱动的 UniV-Eval 系统，首次实现了对视频理解、生成、编辑及重建的统一评估。

背景定位：这是视频评价领域从“任务特定（Task-specific）”迈向“通用统一（Unified Evaluation）”的开路之作。

痛点深挖：为何旧考卷不及格？

当前视频模型的评估主要受困于三个“墙”：

1. 任务之墙：理解、生成、编辑的基准互不相通，导致无法评价同一模型在闭环任务（如：先读懂视频再根据理解重绘）中的表现。
2. 镜头之墙：现有 Benchmarks 绝大多数是 2-5 秒的短片，缺乏对专业影视中多镜头（Multi-shot）叙事逻辑的考核。
3. 版权与污染：大量使用 Web-scraped 视频，模型训练时可能早已“背过答案”，导致评估失效。

UniVBench：电影级的多维评估体系

UniVBench 的核心竞争力在于其专业性。它没有简单给出一个“质量分”，而是聘请了 15 位专业影视制作专家，参照电影制作标准建立了 8 大维度（Style, Subject, Action, Background, Camera, Lighting, Color, Spatial Relationship）和 21 个子维度。

核心创新：Video2Video (V2V) 重建任务

这是本文最惊艳的设计：模型需先生成一段描述视频的 Caption（理解），再根据这段 Caption 重新生成视频（生成）。

• 直觉（Insight）：如果重建后的视频与原片差异巨大，我们可以精准判断它是“理解读偏了”还是“生成画废了”。

UniV-Eval：让 Agent 当考官

为了解决传统指标（如 BLEU, CLIPScore）无法反映电影语义细微差别的难题，作者开发了 UniV-Eval 系统。

• 任务拆解：系统会将长视频自动切分为各个镜头（Shots）。
• 动态检查单：Agent 会根据不同的任务指令，动态生成一份包含 21 个子项的“查错清单”，比如“人物运动是否符合描述”、“灯光是否突变”等。

实验与战绩：当前的视频模型到底行不行？

通过对 GPT-5 (预研版)、Gemini 2.5 Pro、CogVideoX 等主流模型的横向测评，UniVBench 揭露了一些残酷的真相：

1. Action 是全行业的阿喀琉斯之踵：无论在理解还是生成任务中，“动作（Action）”维度的得分普遍处于垫底位置。
2. 感知-生成的断层：在 V2V 重建实验中，信息损失非常严重。即使是表现最好的 Wan2.1-VACE-14B，其重建一致性也远低于直接从 GT Captions 生成的结果。

深度洞察

UniVBench 的价值不仅在于给出了分数，更在于它定义了未来的努力方向。在多镜头环境下，如何保持 Subject 的 ID 一致性？如何在 V2T -> T2V 的过程中通过解耦评估发现感知组件的瓶颈？

局限性：目前 200 个视频的规模虽然足够评估，但尚不足以支撑从头训练一个千亿级模型。

未来总结：视频智能的终极形态一定是“所见即所思，所思即所得”。UniVBench 正在为这一目标的达成，提供最严苛的“尺子”。