YoCausal: Quão longe está a geração de vídeo do modelo de mundo? Uma perspectiva de causalidade

Resumo

À medida que os modelos de difusão de vídeo (VDMs) avançam em direção a modelos de mundo, surge uma questão fundamental: eles realmente compreendem a causalidade, ou apenas se sobreajustam a padrões temporais estatísticos? Os benchmarks existentes baseiam-se majoritariamente em dados sintéticos, limitando a generalização para o mundo real devido à lacuna sim-para-real. Apresentamos o YoCausal, um benchmark de dois níveis inspirado no paradigma da Violação de Expectativa (VoE) das ciências cognitivas. Ao reverter temporalmente vídeos reais com custo zero como amostras contrafactuais naturais, o YoCausal estabelece um protocolo de avaliação arbitrariamente extensível. O Nível 1 introduz o Índice de Surpresa Reversa (RSI), quantificando a percepção da seta do tempo por meio da perda de desruído. O Nível 2 introduz o Índice de Cognição de Causalidade (CCI), que utiliza um VLM para estratificar conjuntos de dados em subconjuntos causais e não causais, separando o raciocínio causal genuíno do viés temporal. A avaliação de 13 VDMs de última geração revela que perceber a seta do tempo não implica compreender causalidade, e persiste uma lacuna significativa em relação à cognição causal de nível humano.

English

As video diffusion models (VDMs) advance toward world models, a key question arises: do they truly understand causality, or merely overfit to statistical temporal patterns? Existing benchmarks mostly rely on synthetic data, limiting real-world generalization due to the sim-to-real gap. We present YoCausal, a two-level benchmark inspired by the Violation of Expectation (VoE) paradigm from cognitive science. By temporally reversing real-world videos at zero cost as natural counterfactual samples, YoCausal establishes an arbitrarily extensible evaluation protocol. Level 1 introduces the Reverse Surprise Index (RSI), quantifying arrow-of-time perception via denoising loss. Level 2 introduces the Causality Cognition Index (CCI), which leverages a VLM to stratify datasets into causal and non-causal subsets, disentangling genuine causal reasoning from temporal bias. Evaluation of 13 state-of-the-art VDMs reveals that perceiving the arrow of time does not imply understanding causality, and a significant gap persists relative to human-level causal cognition.