Ego2Act：评估第一人称视频生成中的目标导向操作

Ego2Act 是面向第一人称视频生成的目标导向 benchmark，包含来自 110 个真实任务的 2,640 个视频，用于评估模型能否根据初始场景图像和高层目标生成手部操作物体的视频。论文还提出无参考评估流程 Ego2ActJudge，其任务完成度和物理合理性评估与人类共识的一致性优于相关基线。研究发现，视频生成模型常跳过或部分执行步骤，并在复杂物体操作和持续世界建模中缺乏细粒度物理动态。