11月17日,智源研究院与逆矩阵、北京大学、清华大学、北京航空航天大学共同推出悟界·PhysCapBench。该基准面向视频Caption中的物理信息评测,覆盖第三人称场景、第一人称操作以及手持夹爪示范三类领域。
在数据构成上,悟界·PhysCapBench包含1500段视频序列,三个领域各500段。评测从事件覆盖、对象与角色、动作与运动、接触与交互、状态与结果、机制与因果、时间顺序七个维度展开,对Caption进行多角度考察。
发布方表示,这一基准可为描述策略选择和标注优化提供依据,帮助相关研究更系统地评估视频描述中的物理信息表达。









