OmniVBench 与 Omni-R2V：为“全能参考到视频”建立评测与训练的共同底座

提出 OmniVBench，把参考到视频评测从以内容参考为主扩展到内容、运动、风格、结构、叙事五个单参考维度以及多内容与跨维度两类多参考设置，共 7 个任务族、18 个细粒度任务、813 个评测案例。 相较既有基准（如 OpenS2V-Eval、VACE-Bench、UniVBench、IntelligentVBench、FashionVideoBench）主要覆盖内容参考，该基准在表格中同时勾选了内容、运动、风格、结构、叙事与多参考全部类别。 任务分类与案例数量在正文与附录表 A.1 中逐项列出（如内容 112、运动 95、风格 43、结构 108、叙事 120、多参考 335），所有样本经三名标注者人工核验。

提出基于参考因子的评测协议，把每个案例拆解为案例专属清单，显式判断参考因子是否被忠实保留、正确解耦并绑定到目标、以及是否按指令实现，共 12,172 条清单条目。 既有评测多依赖固定相似度指标或对参考一致性的整体式 VLM 判断，该协议把参考保真度、指令实现与视频质量分开，并在参考保真度下细分内容、结构、运动、风格、叙事五个子维度。 在覆盖全部 7 个任务族与 18 个子任务的 100 个案例、965 个模型输出上做人工评测，自动评测与人工判断在 RF、IR、VQ 上分别达到 Pearson 0.81/0.78/0.86、Spearman 0.77/0.74/0.82；基于因子的清单在 RF 与 IR 上的 Spearman 分别为 0.77 与 0.74，高于整体式评测的 0.67 与 0.69。

构建并释放 Omni-R2V 数据集，包含 339,570 条（约 340K）经处理的训练样本，覆盖 7 个任务族、图像与视频两类参考模态，并给出任务专属的参考—目标配对与指令生成流程。 既有数据集（OpenS2V-5M、Phantom-Data、MuSS）以图像参考和内容任务为主，该数据集在表格中同时覆盖内容、运动、风格、结构、叙事、多内容与跨维度任务，且直接提供处理后的参考—视频对。 数据来自内部专业视频语料并补充公开数据，经源视频处理、任务专属配对构建、候选过滤与指令生成四步流程；片段时长可达 20 秒，分辨率覆盖至 1080p 与 2160p+；人工抽检约每族 100 个样本，三项标准平均通过率分别为 95.4%、97.0%、94.2%。

对 11 个先进开源与闭源模型进行评测，发现没有模型在所有任务族上一致表现优异，内容参考得分普遍较高，而运动、风格、结构、叙事与多参考设置上差距更大。 该评测把参考保真度、指令实现与视频质量显式拆开，并进一步拆出参考因子解耦与路由、目标合规两个子维度，从而暴露出整体式评测难以区分的差异。 结果以表格形式给出各任务族与总体得分，例如开源模型中 MiniMax H3 总体 72.41、Bernini 56.95，闭源模型中 Seedance 2.5 总体 72.68、Gemini Omni 70.76；多个模型在目标合规上得分较高而在解耦与路由上明显偏低，尤其在多内容与跨维度任务上。

该工作面向参考到视频生成的研究与工程场景：评测侧适用于需要诊断参考因子保留、解耦与路由、以及多参考组合能力的模型比较；数据侧适用于以图像或视频参考、单参考或多参考组合为条件的训练。基准与数据集互不重叠，因此可分别用于评测与训练；任务专属配对流程与清单式协议也可迁移到其他参考条件生成任务。

清单式评测依赖 VLM 作为评判者，其在不同任务族上的稳定性仍值得持续观察；视频质量维度由 DOVER++、Aesthetic Predictor V2.5 与 UnifiedReward 2.0 分别计算，与参考保真度和指令实现相互独立，三者如何共同解释模型能力仍有讨论空间；此外，数据构建中部分环节使用生成模型合成参考，这类参考与真实拍摄参考之间的差异对训练效果的影响，是后续可以继续追踪的问题。