Ego2Act：评估以第一视角生成视频中的目标导向操作

Ego2Act 是一个用于评估目标导向操作能力的基准，包含 110 个日常任务的 2,640 条视频，要求模型根据初始场景图像和高层目标生成第一视角的手部操作视频。Ego2ActJudge 作为无参考评估流程，比相关基线更贴近人类共识，发现模型常跳过或部分执行步骤，导致目标未达成，并在复杂物体操作和持久世界建模中表现不佳。该基准旨在推动视频模型向物理合理、目标导向的模拟方向发展。