视频生成模型的概率对齐评测基准

这篇工作的狠劲在于戳破了行业的一个默认假设：大家之前评视频生成只看VBench、FVD这些单帧/单视频指标，相当于用照片质量考核司机。PAWBench逼模型回答"同样刹车，车停下来的位置分布对不对"，直接把Sora、Veo们拉到了物理仿真器的考场上。

从工程落地看，概率对齐的评测成本极高——需要大量重复采样来估计分布，这对推理基础设施是沉重负担。论文提到开源了PAWEval工具包，但尚未看到与主流API的集成方案。做视频生成infra的团队可以优先跟进，这可能会成为下一代世界模型竞赛的入场券。