一句“先举杯,再放回桌面”包含动作和先后关系,单个总体分数很难指出哪里没做好。研究者分别提取明确要求和物理、时间、跨模态等隐含条件,再由专门的感知工具逐项检查。
输出把显著偏差关联到时间戳,供人回看原始片段。该框架需要先把要求转成可检查的命题,提示词本身没有说清楚的审美取舍,仍很难用同一套分数处理。
FVScore 把提示词和画面应遵守的条件拆成命题,用沿时间变化的证据来评分。

一句“先举杯,再放回桌面”包含动作和先后关系,单个总体分数很难指出哪里没做好。研究者分别提取明确要求和物理、时间、跨模态等隐含条件,再由专门的感知工具逐项检查。
输出把显著偏差关联到时间戳,供人回看原始片段。该框架需要先把要求转成可检查的命题,提示词本身没有说清楚的审美取舍,仍很难用同一套分数处理。