分数是在这里才到来的

主结果报在 Table II。模型按任务分成 T2AV、I2AV、V2A，再按是否闭源分行。Abstract 与 Conclusion 写“17”个当时领先的模型；Section I 写 over 17。表上是十七行。Ovi 与 LTX 各出现两次（T2AV 与 I2AV），独立系统为十五。闭源只在随机 100 对提示上评 T2AV；开源评全部 337 组（Section IV-A）。下列数字一律照抄表格，不另作四舍五入。

Table II · Section IV-A · Section IV-C · Abstract / Section I 的“17”与“超过 17”并立

各列相对于物理列说明什么

质量列。开源 T2AV 的视觉质量可以与商业组竞争：JavisDiT++ 的 FVD 474.62 为 T2AV 全列最低；Sora 2 的 KVD 72.04 为商业组最低。音频上商业组占优，Wan 2.6 与 Kling v2.6 的 FAD 并列 1.48。加上第一帧之后，I2AV 的 FVD/KVD 显著下降：Ovi 为 122.79 / 7.46，MOVA 的 FAD 1.37 为 I2AV 最低。V2A 不报 FVD/KVD（画面不是它生成的）；MMAudio 的 FAD 1.36 为全表音频最低。作者的判断是：视觉保真与音频保真之间存在权衡，两端同时做好仍然困难。

语义列。商业 T2AV 的 TV-IB 与 CLIP 普遍较高：Wan 2.6 的 TV-IB 0.3434、CLIP 0.2792 为商业组最高；Sora 2 次之（0.3415 / 0.2713）。全体模型的 CLAP 文本—音频分都很低，JavisDiT 为 −0.0167。Section IV-C 承认：CLAP 可能未在类似本数据集的困难文本—音频对上充分训练，其文本编码器未必能分辨这些细粒度系统。随后一句写：“the TV-IB score suggests that Seedance 1.5 Pro outperforms the other models.” 表中 Seedance 的 TV-IB 是 0.3274，为商业 T2AV 最低；它的 TA-IB 0.1836 才是最高。本页并列原文与表格，不改写其中任何一方。

同步列。商业 T2AV 中 Seedance 1.5 Pro 的 AV-IB 0.2794、Javis 0.2412 最高，DeSync 0.0095 最低；Kling v2.6 的 AVH 0.2756 最高。开源组整体落后：JavisDiT++ 的 AV-IB / AVH / Javis 为开源最高，LTX 的 DeSync 0.2488 为开源最低。I2AV 里 MOVA 的三项同步最高，但 DeSync 0.7788 很大；LTX 的 DeSync 0.2910 相对最好。V2A 里 HunyuanVideo-Foley 同步总体最好，MMAudio 的 DeSync 最低。条件更强（有图、有片）并未取消时间错位。Seedance 的同步可以接近最好，CPRS 仍是 0.4044，低于 Sora 2 的 0.4512。对齐好，不等于物理变化对。

Section IV-C1 · Table II

APST：即使 0.4512 也被写成 only

Section IV-C2 把物理列单独拿出来。尽管语义相关性高，模型在物理锚定上持续困难。T2AV 商业组最高的 Sora 2，CPRS 为 0.4512；开源的 JavisDiT++ 为 0.2844。V2A 领先的 MMAudio 为 0.4003。作者的解释是：模型可以合成“语义上说得通”的声音——锤子配一段通用撞击声——却反映不出由物理性质变化所规定的、带方向的声学移动，例如空塑料瓶与装水塑料瓶的共振之别。

Figure 3 给出可核对的个例，不是 Table II 的平均。HunyuanVideo-Foley 在 Helmholtz 场景上 CPRS 0.799，衰减时间的收缩方向与真值一致；另一例 0.642。JavisDiT 在遮挡任务上为 0.262 / 0.270，LTX 为 0.253 / 0.267，输出被写成静态或与物理相反，音高或响度该变时不变。作者据此说：当前模型主要是语义驱动，按类别生成，而不是按定律生成。

Figure 4 的雷达图（正文无逐维数字，此处不臆造刻度）：T2AV 中 Sora 2 最强且较均衡，尤其在时间/因果与复杂耦合；Wan 2.6 与 Seedance 在观察者物理与耦合上可竞争。开源模型各维落后，流体与声传播尤甚。I2AV 中 MOVA 在流体相关效应上突出，UniVerse-1 最弱，尤其在时间推理。V2A 中 HunyuanVideo-Foley 与 MMAudio 占优。收束句：所有模型都在流体动力学、声传播与复杂相互作用上吃力。

Section IV-C2 · Section IV-C3 · Figure 3 · Figure 4 · Table II

七十四人：名次写在正文，绝对分只在图里

人工部分评文本一致（TC-MOS）、声画同步（AV-Sync-MOS）、物理变化响应（PVR-MOS），均为 1–5 的 Likert。Abstract 与 Section IV-B 写 74 名参与者。附录 B-B：抽 20 组提示，每组评 10 个 T2AV 系统（含真值，引用 [1],[3],[5],[30]–[33],[44],[45]），每条输出三问，共 600 题；质控后保留 419 条有效作答。正文 Figure 5 给出各系统柱状图。本文不从该图读取未写入段落的阿拉伯数字。写入段落的判断是：Wan 2.6 在三项上均为最高，随后是 Sora 2 与 Kling v2.6；开源的 JavisDiT 与 JavisDiT++ 在时间一致性与物理真实感上明显吃力；即使领先模型与真值之间仍有 reality gap，且缺口在 PVR-MOS 上最显著。

自动指标与 PVR-MOS 的 Pearson 相关见 Table III。CPRS 为 0.92，高于 CLAP 0.84、AV-IB 0.76、AVH 0.72、Javis 0.71、DeSync 0.62、TA-IB 0.58、FAD 0.51。作者据此称 CPRS 是物理合理性的可自动代理。附录 Table VIII 换三种嵌入后，相关仍高于 0.89：ImageBind 0.9457，LAION-CLAP 0.9230，CAV-MAE-Sync 0.8927。主表 0.92 与 0.9230 相符。绝对 CPRS 会随嵌入移动：同一 Sora 2，CLAP 下 0.4512，ImageBind 下 0.4288，CAV-MAE-Sync 下 0.3479；后一设置中 Wan 2.6 的 0.3595 超过 Sora 2。作者写 rankings remain largely consistent；T2AV 的第一名在第三种嵌入上并不是 Sora 2。

Section IV-C4 · Table III · Appendix B-B · Appendix B-A Tables V–VIII · Figure 5 的像素分数不录入