一句话定义
VBench 是一个专门评测「视频生成模型」的自动化基准（benchmark）：它把"这段生成的视频到底好不好"拆成一致性、运动、美学等多个维度，每个维度配一套针对性的提示词和自动打分指标，最后给出一张分项成绩单，而不是一个笼统的总分。
为什么要拆成多维
假设你让两个模型各生成"一只柯基在草地上奔跑"。A 模型画面很漂亮，但狗的脸每帧都在变；B 模型狗很稳定，但运动像幻灯片。如果只报一个"视频质量 8.2 分"，你完全看不出差别在哪、该修哪里。VBench 的思路更像体检报告：不告诉你"身体好不好"，而是列出视力、心率、血压，让你知道要补哪一项。
常见维度大致包括：
- 一致性：主体、背景在时间上是否稳定，有没有闪烁（temporal flicker）
- 运动：动态程度（画面是否真的在动）、运动平滑度（有没有跳帧、抖动）
- 文本对齐：画面是否符合提示词描述
- 感知质量：美学质量（aesthetic quality）与成像质量（清晰度、噪声等）
打分怎么做到自动化
靠人一帧帧看，又慢又贵还不可复现。VBench 的做法是"让模型当裁判"：用 CLIP 类模型算文本与视频帧的语义相似度，用光流（optical flow）检查相邻帧之间的运动是否连贯，用特征比对看主体在两帧之间漂移了多远。这些数字固定、可复现，模型迭代时可以直接横向对比。
和相邻概念的区别
| 概念 | 评什么 | 特点 |
|---|---|---|
| 传统视频质量指标（PSNR/SSIM） | 压缩、重建后像不像原片 | 有参考视频，不评"生成得对不对" |
| FVD 等整体指标 | 生成视频分布与真实视频的距离 | 单一数字，难定位问题 |
| 人工评测 / 竞技场 | 人的主观偏好 | 贴近真实感受，但贵、慢、难复现 |
| VBench | 分维度自动打分 | 可复现、可定位，但指标不等于人的全部感受 |
对不同人的实际意义
对从业者，VBench 是选型和调优的路标：模型 A 动态强但闪烁严重，模型 B 稳定但画面"死"，看分项就知道该往哪改。对普通职场人，它解释了一个常见困惑——为什么 AI 视频有的像 PPT、有的像鬼片，其实是不同维度各自崩了，而不是"整体差"。
需要提醒的是，评测维度、指标实现方式和具体分数会随版本更新而调整，实际使用时请以官方页面和论文为准。