Il benchmark BRITE mette in luce le lacune dei modelli AI text-to-video

Un nuovo standard noto come BRITE (Benchmark for Reliable and Interpretable T2V Evaluation on Implausible Scenarios) è stato lanciato per valutare i sistemi di generazione text-to-video (T2V). A differenza dei benchmark precedenti che ignorano situazioni implausibili e l'allineamento degli elementi audiovisivi, BRITE integra prompt implausibili, una valutazione dettagliata della coerenza audiovisiva e una valutazione interpretabile basata su QA. Utilizza un approccio human-in-the-loop per aumentare l'affidabilità, affrontando problemi di allucinazione e ambiguità nei framework automatizzati basati su LLM multimodali. Sono stati testati cinque modelli leader: Sora 2, Veo 3.1, Runway Gen4.5, Pixverse V5.5 e Qwen3Max. I risultati indicano un significativo divario di prestazioni, con modelli che performano bene nella composizione statica degli oggetti ma faticano nel legame oggetto-azione e nella sincronizzazione audiovisiva. Questo benchmark evidenzia l'urgente necessità di tecniche di valutazione moderne mentre l'evoluzione della generazione T2V fotorealistica procede rapidamente.