t2v_metrics

收录理由

生成一张图、一段视频或一个3D场景后，判断它是否真的贴合提示词，往往是整个工作流里最耗时的一环。这个库把这件事压缩成一行Python代码，核心是VQAScore方法：让视觉语言模型对“画面与文本是否匹配”回答一个是否类问题，得到的分数比传统的CLIP相似度更贴近人工判断。批量评估时只需几行脚本，后端选择也灵活，既可以用Qwen、Gemma这类开放权重模型，也能接GPT、Gemini等托管服务。仓库还附带GenAI-Bench和CameraBench两套基准，省去自己搭建评测环境的功夫，直接有对照参考点。对于反复调试模型版本的研究者，或者在做生成式视觉系统评估的团队，这套工具能明显减少重复劳动，让注意力集中在改进模型本身。