Comp.

现有视频推理基准有三个问题。第一，输入大多是线稿或抽象示意图，和真实世界视觉分布不匹配。第二，很多任务只要求生成一个合理的最终状态，不要求展示视觉推演过程。第三，任务难度没有经过校准，有的太简单，有的根本不可解。这三个问题让诊断结果缺乏说服力。