VTR-Bench：系统评测视频生成中的视觉文本渲染

研究提出VTR-Bench，用于系统评测视频生成模型在场景文本渲染上的表现。基准包含覆盖五类场景的300个提示词，并通过结合人工对齐的自动化流程分别评估文本保真度及场景、运动要求。对11个模型的实验显示，最佳模型整体词错误率（WER）为0.250，研究还提出由Director agent协调图像与视频生成、视觉评估和迭代筛选的Keyframe-Guided Agentic Framework。