Tag
TerraVis 提出了一个基于 MLLM 工作流的框架，用于评估文生图模型生成图像的世界一致性（如畸形结构、物理上不可能的交互、空间关系不一致等），并定义了涵盖对象、交互和场景层级的 18 类一致性违规分类体系。实验表明该框架与人类判断相关性最强，且常规指标表现优秀的模型仍可能存在大量世界一致性缺陷。
StoryEngine proposes a state-grounded agentic framework for video storytelling that maintains structured state representations to ensure narrative coherence and visual consistency. It demonstrates superior performance over state-of-the-art methods in comprehensive evaluations.