VTR-Bench：视频生成视觉文本渲染基准

2026年10月1日，HuggingFace Daily Papers 收录的论文提出 VTR-Bench，一个用于评估视频生成模型视觉文本渲染能力的系统性基准。该基准包含 300 条提示词，覆盖广告、科学视频等五类场景，并配套自动化评估流程。在 11 个 SOTA 模型上的实验显示，场景文本渲染普遍存在困难，表现最好的模型整体词错误率（WER）为 0.250。目前该工作处于论文发布阶段，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。