PRISM: 程序化时空推理基准

# PRISM：程序化时空推理基准
来源：https://arxiv.org/abs/2605.19382
作者：Qiran Zhang (https://arxiv.org/search/cs?searchtype=author&query=Zhang,+Q)，Yuheng Wang (https://arxiv.org/search/cs?searchtype=author&query=Wang,+Y)，Runde Yang (https://arxiv.org/search/cs?searchtype=author&query=Yang,+R)，Lin Wu (https://arxiv.org/search/cs?searchtype=author&query=Wu,+L)，Jingru Fan (https://arxiv.org/search/cs?searchtype=author&query=Fan,+J)，Shu Yao (https://arxiv.org/search/cs?searchtype=author&query=Yao,+S)，Jie Zhang (https://arxiv.org/search/cs?searchtype=author&query=Zhang,+J)，Tianle Zhou (https://arxiv.org/search/cs?searchtype=author&query=Zhou,+T)，Huatao Li (https://arxiv.org/search/cs?searchtype=author&query=Li,+H)，Ruijie Shi (https://arxiv.org/search/cs?searchtype=author&query=Shi,+R)，Yihan Li (https://arxiv.org/search/cs?searchtype=author&query=Li,+Y)，Chen Qian (https://arxiv.org/search/cs?searchtype=author&query=Qian,+C)

查看PDF (https://arxiv.org/pdf/2605.19382)

> 摘要：通过代码进行程序化视频生成，能够提供超越像素级扩散模型的几何精度与时间连贯性，但如何严格评估语言模型是否能生成空间正确的动画输出，仍是一个开放性问题。我们提出 PRISM，一个包含 10,372 个人工校准指令-代码对的大规模基准（比此前程序化视频生成基准大 20 倍），基于英文和中文的真实世界知识可视化场景，涵盖 437 个主题类别。我们进一步提出漏斗式评估框架，包含四个互补指标：用于可执行性的代码级可靠性、用于完整动画序列布局正确性的空间推理、以及用于诊断动态表达和时间活动的提示感知动态视觉复杂度 (PADVC) 和时间密度 (TD)。对七个主流 LLM 的系统评估揭示了一个显著的执行-空间差距：从执行成功率到空间通过率的平均下降约为 41%，表明可运行代码不一定能产生空间连贯的视觉输出。这些发现表明，程序化视频生成评估应超越可执行性。PRISM 为推动空间连贯代码生成提供了原则性基准。

## 提交历史

来自：Yuheng Wang [查看邮件 (https://arxiv.org/show-email/cfcf7edd/2605.19382)] **\[v1\]** 2026年5月19日 星期二 05:28:54 UTC (2,454 KB)