2026年，你随便打开一个AI视频生成工具，输入“一只玻璃杯从桌上摔落”，得到的画面几乎完美。但如果你追问碎片为什么朝那个方向飞，动量守恒如何体现？模型沉默了。
这不是特例。8月10日被COLM 2026接收的论文Sci-VBench给出了一个冷水般的结论：当前最先进的视频生成模型，在科学推理和因果正确性面前，几乎交了白卷。
当AI视频遭遇“理科考试”
五位研究者构建了这套评测基准，请来各学科专家手工标注了1,253个评测样本，覆盖自然科学、医疗健康、人文社科和工程学四大门类、60个细分学科。每个样本都是“知识推理密集型”提示词，要求模型生成的视频在物理机制、因果链条、科学原理上站得住脚。
研究团队评测了16款前沿模型，包括8款闭源和8款开源。闭源阵营包括Sora-2、Veo-3.1、Kling-2.6、Wan-2.6、Seedance-2.0、HappyHorse-1.1和Gemini-Omni-Flash等。开源阵营包括HunyuanVideo-1.5、Wan2.2-5B、CogVideoX1.5-5B、MiniMax-H3等。
结果高度分裂。在视觉纹理质量等传统指标上，所有模型得分集中，差距极小。但切换到科学因果正确性维度，差距急剧拉开。Gemini-Omni-Flash得分3.34（满分5分），而开源最好的MiniMax-H3仅1.60。Sora-2得分仅2.72，Kling-2.6为1.71。所有模型在科学因果正确性上的得分都远低于视觉质量维度。
论文作者判断：视觉真实感的进步，并未转化为对科学动力学和因果动力学的可靠建模能力。
为什么AI视频“看得懂”却“想不通”
当前视频模型像是一个视觉皮层极度发达、但前额叶几乎没有发育的大脑。扩散模型和DiT架构擅长学习纹理、光影、轮廓等表层统计规律，但这些东西本质上是对训练数据的“记忆重组”，而非对物理因果结构的理解。
Sci-VBench的1,253个样本大量利用“分布外”测试。专家设计的提示词要求模型在特定科学约束下生成内容，这些约束组合在训练数据中出现的频率极低。它不是在考“你见过这个画面吗”，而是考“你理解画面背后的原理吗”。
在科学因果正确性维度上，闭源模型与开源模型之间的鸿沟触目惊心。Gemini-Omni-Flash得分为3.34，而MiniMax-H3仅1.60，差距超过一倍。但更值得注意的是，闭源模型绝对得分也不高。Gemini-Omni-Flash也仅能正确解释约三分之二的科学因果关系。
开源模型在视觉质量上已逼近闭源，Cosmos3-Nano的视觉纹理得分4.02，高于多数闭源模型。但在科学因果正确性上集体失守。这说明了一个残酷的事实：之前的评测基准在测的是一个错误的东西。 视觉质量的天花板已被摸到，但真正区分模型智能水平的因果推理能力，被传统评测体系完全忽略了。
研究团队还构建了一套基于打分规则的评测协议，即使非专家的评测者也能与专家评分达到较高一致性。更关键的是，他们验证了MLLM-as-Judge的可行性，让GPT-4o、Claude充当评测者同样与专家评分高度相关。这为行业提供了一个可扩展的评测范式。
当“好看”成为过去时
Sci-VBench标志着视频生成行业从“好不好看”到“对不对”的思维转折。过去两年，Sora、Kling-2.6、Veo-3.1轮番刷榜，核心叙事是“谁更逼真”。但这场竞赛的边际收益正在递减，VBench等传统基准上顶级模型差距已缩至个位数百分比。
当AI视频被用于科学教育、医学模拟、工程演示时，“好看”远远不够。一个演示光合作用的视频，如果叶绿体位置错了、光反应时序乱了，画面再精美也是垃圾。
Sci-VBench给行业的最大启示是：当前视频生成技术的核心瓶颈，已经从像素层转移到认知层。 视觉真实感是入场券，绝不是护城河。当模型在科学推理维度上集体失分，说明整个行业的能力底座还远未成熟。
论文也给出了积极信号：提示词改写能改善提示遵从度和科学因果正确性得分，说明部分问题源于模型对复杂科学指令的理解不足。但改写对时空一致性维度影响有限，许多时序失败是生成器本身的结构性缺陷。
接下来的竞争焦点将从“算力军备竞赛”转向“认知能力竞赛”。谁能率先让模型在生成视频时理解物理因果和科学知识约束，谁就能打开科学教育、医学模拟等toB应用的大门。
当AI视频不再满足于“骗过眼睛”，而是学会“讲出道理”，那才是真正的世界模拟器诞生的时刻。在此之前，所有“看起来像真的”都只是高级的障眼法。
快报