creative-intent

MuseBench是一个全面基准，旨在评估多模态大语言模型对视听艺术中细微意图层面的理解，结果显示即使最佳模型也仅达到48.29%的准确率，而人类专家为87.18%。

CogOmniControl是一个基于推理的可控视频生成框架，它使用在动画制作数据上训练的专业视觉语言模型（CogVLM）从稀疏条件中推断创意意图，然后通过强化学习引导基于扩散的生成器，在新基准上取得最先进的结果。