「百万级」视频推理数据集！30+顶尖高校联合发布

新智元报道

编辑：LRST

【新智元导读】AI视频生成已能「画得像」，但不会「想得对」。VBVR推出百万级视频推理数据集，首次系统评测模型对空间、物理、逻辑和抽象的推理能力，发现顶尖模型通过率仅68%，暴露其缺乏真实认知，推动视频AI从「视觉模仿」迈向「智能推理」。

近年来，视频生成模型在视觉质量、时序一致性和文本对齐等方面取得了显著进展，从最初的模糊光影到如今足以乱真的好莱坞级画面，「视觉质量」的竞争已趋于白热化。然而，一个被长期忽视的深层命题逐渐浮出水面：视频模型真的「理解」它所创造的世界吗？

现有研究和评测体系，更多聚焦于「好不好看」「像不像」，而视频中真正与智能相关的能力——对空间、物理、逻辑、因果与抽象规则的推理——却长期缺乏系统性刻画。一个核心瓶颈在于，视频推理领域至今缺少一个规模足够大、任务覆盖足够全面、且评测可验证、可复现的数据集与基准。

现有工作往往停留在零散demo或小规模benchmark 上，难以研究规模效应与泛化行为；
任务定义高度碎片化，空间、物理、逻辑、抽象等能力混杂在一起，缺乏统一的「推理能力定义」；
训练数据与评测任务严重脱节，模型更像是在「生成得更稳」，而非「想得更对」。

近日来自NTU、CMU、斯坦福、UCB等32所高校的研究员联合提出 VBVR（Very Big Video Reasoning），并不是一个单点 benchmark，而是一套一次性补齐所有短板的面向视频推理研究的完整基础设施。

论文链接：https://arxiv.org/pdf/2602.20159v2

视频链接：https://www.youtube.com/watch?v=isnyV_BDgBE

前所未有的超大规模：研究人员构建了包含 200 个精心策划的推理任务和超过 100 万个视频剪辑的 VBVR-Dataset。其规模比现有同类数据集大出约 1000 倍，为系统研究视频推理的算法革新提供了坚实的土壤。
六大核心认知支柱：基于人类认知架构理论设计任务，研究人员将推理能力细分为：感知、空间性、物理规律、逻辑与符号、抽象、以及变换。
完全规则化、可复现的评测标准VBVR-Bench：研究人员摒弃了模糊的「LLM-as-a-judge」，引入了可验证的规则评分器。这种评估方式与人类判断高度一致，确保了结果的科学性和稳定性。
超强baseline：通过在Wan2.2 I2V 14B上的规模实验去回答「数据扩大会不会带来泛化」的核心问题

图片1 VBVR 概览。左侧：网格展示了覆盖认知架构的代表性任务，并根据其对应能力进行颜色编码：空间性（Spatiality）、变换（Transformation）、知识（Knowledge）、抽象（Abstraction）和感知（Perception）。在网格中心，展示了 VBVR（2.015M 样本）与其他九个数据集总和（12.8K 样本）的规模对比：圆的大小按比例绘制。右上：在域内（in-domain）和域外（out-of-domain）评估中的扩展行为（scaling behavior）。右下：基于五种认知能力的基准性能表现。

图片2 VBVR-Dataset 的示例任务实例，按五种认知能力进行组织。每个序列展示了为得到有效解所需的结构化推理过程。这些任务通过生成器实现，支持可扩展的实例变化。

在规模层面，VBVR-Dataset 的数字很醒目：200 个任务、2,015,000 张图像、1,007,500 个视频片段，约为既有同类资源的三个数量级。本文还特别设置了公开任务与隐藏任务，用于后续排行榜评估，避免基准被过度「刷榜化」。

研究团队根据人类认知理论，将视频推理能力划分为六大核心支柱（Pillars），涵盖 200 个精心设计的任务。同时这个数字随着社区的不断贡献还在增长，每一类都对应可参数化的任务生成器，能够持续采样新实例：

感知 (Perception)：测试边缘检测、颜色和形状感知及辨别能力。
空间性 (Spatiality)：考察位置表征、几何关系及导航能力（如迷宫寻路）。
变换 (Transformation)：涉及心理旋转、物体状态演变等精神表征的操纵。
知识 (Knowledge)：关于世界的命题性内容，可能来源于经验学习，也可能是先天赋予的。
抽象 (Abstraction)：考察从特定经验中提取通用知识的能力。

VBVR-Bench

基于规则的系统可验证评分

VBVR-Bench 的核心主张是：视频推理评测应从「模型当裁判」（LLM-as-a-Judge）的主观评估范式，转向基于规则的可验证评分机制。在该基准中，每一个测试任务都配套明确的任务规则与加权评价指标，评估维度涵盖目标识别、路径合法性、执行效率、时序一致性以及逻辑有效性等关键因素。

这种设计带来的首要优势是，

完全可复现：对于同一模型输出，在相同规则体系下应始终得到稳定一致的评分结果，不会因评审模型的温度设置、提示词差异或上下文变化而产生波动。

深度诊断能力：它不仅能给模型打分，还能通过分析五大认知支柱（感知、空间，知识、变换、抽象）下的细分表现，揭示出模型在不同认知能力之间的相互依赖与权衡。研究者能够准确定位模型失败的具体原因，例如是目标识别错误、路径规划违反约束（如穿越障碍），还是由于生成视频抖动而导致的任务完成失败。

为了验证这种自动化规则评分是否靠谱，研究团队进行了人类偏好对齐实验。结果显示，VBVR-Bench 的自动化评分与人类判断的 Spearman 相关系数超过了 0.9，证明了规则评分的权威性。

图片3 人类偏好对齐分析：VBVR-Bench 自动胜率与人工偏好胜率呈高度相关。

VBVR-Wan2.2实验洞察

谁是当前的推理王者？

推理能力的 Scaling Law (规模化规律)

实验揭示了明显的规模效应，在基础模型Wan2.2-I2V-A14B上利用VBVR-Dataset 上微调后，得到的VBVR-Wan2.2模型在基准上实现了取得了显著性能提升。

从0.371跃升至0.685整体相对提升达到84.6%，并在多个能力维度上超过当时的主流专有模型。

泛化能力的「早期信号」

虽然域内与域外任务之间存在性能差距，但研究观察到随着数据规模扩大，模型开始表现出向未见过任务迁移推理能力的趋势。这意味着模型不仅仅是在记忆模式，而是在逐步内化某些通用的物理或逻辑规则。

这种性能提升并非可以无限持续。随着训练，域外任务与域内任务之间仍然存在约15%的泛化差距。

也就是说，仅依赖于「增加同类型数据规模」虽然能够带来显著性能增益，但仍不足以完全弥合系统性的泛化鸿沟。论文因此反复强调一个重要结论：规模化能够显著提升性能，但其效果仍然受到结构性上限的限制。

研究人员希望VBVR-Dataset也能够为下阶段研究提供一个实验土壤，社区可以以此为基础，进行架构层面的改造，例如显式状态跟踪、结构化推理模块、和自校正机制。

场景可控性是可验证推理的先决条件（Controllability before reasoning）：通过定性分析发现，领先模型的高分本质上源于其极强的「约束执行」能力。

相比于基础模型在生成时会随意重写背景或物体标识，导致中间状态不可验证VBVR-Wan2.2展现出了一种「外科手术式」的精确度：它能严格遵循指令执行删除、旋转或多步操作，而不对画面其他元素产生任何意外扰动。

这种「非必要不修改」的确定性证明，模型已开始摆脱随意的「视觉脑补」，转而学习在物理规则的框架内进行受控演进。

图片4 域外任务的定性概览：部分A展示了VBVR-Wan2.2与Sora 2在三个任务上的同任务、同样本对比；部分B展示了VBVR-Wan2.2在完全没见过的任务上的涌现现象; 部分C展示了VBVR-Wan2.2在任务上的实际边界。即使在改进后，模型仍可能在长生成任务中仍会出现一些问题，例如结果看似正确，但中间步骤并不遵循真实决策逻辑。这类「答案对了、过程错了」的现象，正是下一阶段视频推理评测必须继续强化的部分。