VTR-Bench：用于评估视频生成中视觉文本渲染的系统性基准

VTR-Bench 用于系统评估视频生成模型的视觉文本渲染能力，覆盖广告、科学视频等 5 类场景的 300 个提示词。其自动评估流程分别检测文本保真度、场景和运动要求，并提出 Keyframe-Guided Agentic Framework 做迭代优化。对 11 个 SOTA 模型的实验显示，最佳模型整体 WER 为 0.250，场景文字准确渲染仍普遍困难。