为何人工评分是黄金标准——以及如何收集它们
当你问“这个视频看起来有多好？”时，唯一真正可靠的答案来自人。主观质量评估意味着收集人类意见，通常以一组观看者的平均意见分数（MOS）形式呈现。2023年一项关于HDR视频的研究，在两种不同光照条件下，从310个视频中收集了超过20,000条人类评判，结果表明人类评分能捕捉到简单技术指标所遗漏的感知差异[1]。对于AI生成的内容，人类评分同样至关重要——VBench作为2024年的基准测试，专门构建了一个人类偏好标注数据集，以验证其自动化指标是否与人们的实际感知一致[5]。
问题在于，人工评分既昂贵又缓慢。因此，研究人员构建自动化模型，试图预测人工评分。但关键在于校准：任何自动化指标在可信赖之前，都必须先与人工评分进行对照测试。VBench 对其 16 个质量维度中的每一个都进行了这样的测试，确保高自动化分数确实与人类评价相符 [5]。
别问“它好不好”——要问“它哪里有问题”
主观质量并不是一个单一的数字。对于视频生成而言，你需要区分技术质量（噪声、模糊）、运动质量（流畅度、抖动）和语义质量（是否匹配提示词并讲述连贯的故事？）。VBench将视频生成质量细分为16个具体维度，包括主体身份一致性、运动流畅度、时间闪烁和空间关系等[5]。这种细粒度的方法让你能准确看到模型在哪些方面失败——例如，一个视频可能画面完美但运动抖动，或者反之亦然。
2025年提出的AIGVEval模型采用了类似的方法，将质量分解为技术、运动和语义三个维度，并利用大语言模型对其进行推理分析[2]。这种多维视角对于语义补全至关重要，因为一段视频可能在技术上完美无瑕，但在语义上却出现错误——例如，一只猫在片段中途变成了狗。通过分离不同维度，可以精准定位究竟是语义补全环节出了问题，还是渲染环节出现了失误。
自动化模型在进步，但仍无法完全取代人类
你可能希望有一种自动化方法来评估质量，而无需进行人工研究。好消息是：多模态大语言模型（MLLMs）正成为实现这一目标的强大工具。一篇2025年的观点文章指出，MLLMs能够联合编码视觉、语言甚至声音，从而评估场景构图、运动动态和叙事一致性——克服了手工设计指标和基于CNN方法的局限性[3]。AIGVEval使用大语言模型作为质量回归模块，在NTIRE 2025 AI生成视频质量评估挑战赛中获得了第二名，表明基于LLM的方法能够与顶尖方法一较高下[2]。
但这里有一个明显的注意事项：即便是最优秀的自动化模型，也无法完全匹配人类的感知。一项2025年关于AI生成图像的研究发现，现成的质量模型表现不佳，甚至GPT-4V（一种具备视觉能力的大语言模型）也难以生成与人类判断相关的对齐评分[4]。然而，在任务特定数据上对基于学习的模型进行微调，却带来了“显著提升”[4]。因此，实用的建议是：将自动化模型用作筛选工具，但需针对你的具体应用场景，用人类评分对其进行验证——尤其是在语义对齐至关重要的情形下。
关于这些来源
本回答基于5项同行评审研究——发表于2023年至2025年间，其中4项为2024年或之后发表，1项发表于Q1期刊，合计被引用170次——这些研究是从5项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的41篇文献。
本文引用的文献
HDR视频主观与客观质量评估研究
创建了首个公开的HDR视频质量数据库，包含310个视频和超过20,000人次在两种光照条件下的主观评价，并证明改进后的VMAF模型（HDRMAX）能同时提升对HDR和SDR视频的质量预测准确性。
迈向AI生成视频的整体视觉质量评估：一种基于大语言模型的多维度评价模型
提出了AIGVEval，一种多维评估模型，将AI生成视频的质量分解为技术、运动和语义三个维度，并采用经LoRA微调的大语言模型；该模型在NTIRE 2025 AI生成视频质量评估挑战赛中荣获第二名。
AI生成视频质量评估的视角
认为多模态大语言模型（MLLMs）正成为下一代视频质量评估的基石，因为它们能够联合编码视觉、语言、声音和深度信息，从而评估场景构图、运动动态和叙事一致性。
面向语言在线学习场景的AI生成图像主观与客观质量评估
在一项关于AI生成图像用于语言电子学习的研究中，主观评分显示，感知质量越高，语义对齐程度越强，但现成的质量模型表现不佳，且GPT-4V难以生成与人类评分相关的对齐分数；对基于学习的模型进行微调则带来了显著改进。
VBench：视频生成模型的综合基准套件
提出了VBench基准套件，将视频生成质量细分为16个维度（如主体一致性、运动平滑度、时间闪烁），并提供人类偏好标注，以验证每个维度与人类感知的契合度。