VideoScore2
📌 核心贡献
提出 VideoScore2，一个多维度视频评估框架，通过链式思维推理（CoT）和两阶段训练（SFT + GRPO 强化学习）实现视觉质量、文本对齐和物理一致性三维度的结构化评分，在域内和域外基准上均大幅超越前代和基线模型。
📖 摘要
Recent advances in text-to-video generation have produced increasingly realistic and diverse content, yet evaluating such videos remains a fundamental challenge due to their multi-faceted nature encompassing visual quality, semantic alignment, and physical consistency. We introduce VideoScore2, a multi-dimensional framework assessing visual quality, text-to-video alignment, and physical consistency with chain-of-thought reasoning. Built on VideoFeedback2 (27,168 annotated videos) using supervised fine-tuning and reinforcement learning with GRPO, it achieves 44.35 accuracy on VideoScore-Bench-v2 and 50.37 average performance across four out-of-domain benchmarks.
🔍 关键信息
| 字段 | 内容 |
|---|---|
| 机构 | University of Waterloo |
| 发表 | 2025-09-26 |
| 分类 | cs.CV, cs.AI, cs.CL |
| 链接 | arXiv |
📝 我的笔记
方法总览
动机与问题定义
文本到视频生成的评估面临多方面挑战：视觉质量、语义对齐和物理一致性需要同时考虑。前代 VideoScore 仅输出单一分数，缺乏可解释性和多维度评估能力。VideoScore2 通过 CoT 推理和结构化评分解决这些问题。
方法细节
两阶段训练流程：
阶段 1 - 监督微调（SFT）：
- 基座模型：Qwen2.5-VL-7B-Instruct
- 训练数据：VideoFeedback2（27,168 个标注视频），含推理文本和多维度分数
阶段 2 - 强化学习（GRPO）：
奖励函数由准确性和格式两部分组成：
- 准确性奖励（）：三维度全对 1.0，两个匹配 0.7，一个匹配 0.4，均偏差 则 0.1
- 格式奖励（）：包含
<think>标签且有推理内容则为 1.0，否则为 0
评分输出： 使用 token 级概率生成归一化浮点分数（范围 ），比离散分数更精细。
关键结果
域内性能（VideoScore-Bench-v2）：
| 指标 | VideoScore2 | 最优基线 | 提升 |
|---|---|---|---|
| Point Accuracy | 44.35% | 38.41% | +5.94% |
| Relaxed Accuracy | 90.78% | 86.77% | +4.01% |
| PLCC | 60.37 | 52.05 | +8.32 |
域外性能（4 个基准平均）：
- 50.37% 平均性能（+4.32% vs 最优基线）
- 基准：VideoGenReward-Bench, T2VQA-DB, MJ-Bench-Video, VideoPhy2-test
Ablation 关键发现：
| 配置 | 域内准确率 |
|---|---|
| SFT cold-start | 44.53% |
| RL without SFT | 36.70% |
| With CoT | 39.81% |
| Without CoT | 32.17% |
总结评价
VideoScore2 在前代基础上实现了三大改进：(1) 多维度评估替代单一分数；(2) CoT 推理提供可解释性（准确率提升 ~7.6%）；(3) GRPO 强化学习进一步提升对齐度。SFT cold-start 对 RL 的重要性（44.53% vs 36.70%）和归一化浮点分数的设计都值得关注。
🔗 相关论文
基于/改进自： VideoScore
同方向： VR-Thinker