Prompt Alignment

Prompt Alignment 衡量生成视频在 benchmark 协议锚点帧上与目标指令 $T = \texttt{sample.prompt\_target}$ 的语义一致程度。它评估预测在采样时刻是否实现所请求的场景内容，而非整段 rollout 的时序连贯性或视觉真实性。

记 $\mathcal{A} = \{f_i\}_{i=1}^{M}$ 为评测协议从解码预测中选取的锚点帧集合。设 CLIP ViT-B/16 图像编码器为 $\phi_I$、文本编码器为 $\phi_T$，L2 归一化嵌入为 $\mathbf{e}_i = \phi_I(f_i)$、$\mathbf{t} = \phi_T(T)$。帧 $i$ 的原生 CLIPScore 为

$$s_i = \max\!\left(100 \cdot \langle \mathbf{e}_i, \mathbf{t} \rangle,\, 0\right) \tag{1}$$

WorldAtlas 将各锚点得分映射至 $[0,1]$：$\tilde{s}_i = \mathrm{clamp}(s_i / 100,\, 0,\, 1)$，并报告均值

$$S_{\mathrm{prompt}} = \frac{1}{M}\sum_{i=1}^{M} \tilde{s}_i \tag{2}$$

$S_{\mathrm{prompt}}$ 越高，表示协议锚点处的指令跟随越强。当存在显式指令监督且 conditioning 非自参照（conditioning_strategy ≠ self）时，该指标为 official。图像套件可以单帧图像为条件，但模型输出仍须为视频。

下方案例从完整的 2026-07-17 image_static 快照中人工筛选：20 个模型在相同的 3,372 个 case 上评测。每组左右视频都经过严格校验，sample ID、条件图像 SHA-256 和实际生成 prompt SHA-256 完全一致，且两条 generation record 都明确把该图作为 conditioning input；“好/差”仅描述 Prompt Alignment，不代表整体视频质量。每个分数均为四个 segment_random 协议锚点的平均值。

已核验的同输入案例

Audit manifest: docs/assets/metric_examples/curated_same_case_manifest.json.

输入图像

输入已核验 · 同一 benchmark case · gap 0.1526

image_static_stylized_public_spaces_0029

套件: image_static场景: stylized / indoor / public_spaces

基准 prompt target

Camera orbit left. A vintage car display with wooden floor, framed artworks, and cars.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.3508

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.1982

输入图像

输入已核验 · 同一 benchmark case · gap 0.1645

image_static_stylized_workspaces_0016

套件: image_static场景: stylized / indoor / workspaces

基准 prompt target

Camera pan right. A cozy workspace with desk, plants, and window.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.3426

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.1781

输入图像

输入已核验 · 同一 benchmark case · gap 0.1533

image_static_stylized_workspaces_0044

套件: image_static场景: stylized / indoor / workspaces

基准 prompt target

Camera pan right. A modern loft bed with bookshelf, indoor plant, and wall.

prompt source: prompt_target

两条视频的首帧都已通过与展示输入的几何匹配核验；高低标签只比较当前 metric。

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较高指标分分数 0.3331

Model result videos will be available with the ModelScope release. / 模型推理视频将在 ModelScope 方案上线后提供。

较低指标分分数 0.1798

参考文献

CLIP — Learning Transferable Visual Models From Natural Language Supervision

Radford et al., ICML 2021. https://arxiv.org/abs/2103.00020