第五页 · 余韵
Section V 把自己的范围限制写得很短：PhyAVBench 覆盖了相当广的物理场景，it does not yet include certain extreme or hazardous acoustic events。Table IV 已有“把熔岩倒进水里”（t46）、鞭响微型音爆（t48），仍不足以代表作者承认未收入的那一类极端与危险事件。未来工作写成两句：扩大物理条件的覆盖；探索把显式物理定律与公式写进评测框架。本文的 比较的是嵌入空间里的变化向量，并不是把生成波形代入波动方程或亥姆霍兹共振公式验算。第二句未来工作等于承认：当前分数仍是经验代理，不是定律检验。
数据一侧的主张是 zero 。依据是：全部在受控环境中新录，不复用 AudioSet，184 人参与，每条提示多条独立样本。这避免的是“评测视频早已公开、可能进入训练语料”这一条路径。论文没有报告与各商业模型训练语料的交集审计，因此“零泄漏”是采集策略上的全称，不是对 Sora 2 或 Veo 3.1 内部数据的证明。新录同时服务另一目的：变量可隔离。若只是为了不泄漏而新录、却不做成对，灵敏度测验仍然不成立。
评测协议自己留下一条不对称。闭源因预算只评 ，且随机抽 100 对；开源评 337 组。Table II 把两行印在同一张表里，没有子集标记。I2AV 与 V2A 没有商业行。因而“商业模型也失败”这一判断，严格地说，是五条闭源 T2AV 在一百对上的失败，外加开源与 V2A 在全集合上的失败。
CPRS 依赖预训练编码器 Φ。主表用 。附录换 ImageBind 与 CAV-MAE-Sync 后，作者称排序大体稳定，相关仍高于 0.89。绝对分数并不稳定：Sora 2 从 0.4512 降到 0.3479；CAV-MAE-Sync 下 T2AV 第一名是 Wan 2.6 的 0.3595。CLAP 文本—音频列本身被正文判为分辨力不足。指标与人一致，并不等于指标所用的空间已经是物理空间。
附录 A-C 用 8,808 条逐样本 CPRS 画难度，并写“Table 1 of the main paper”。主文评测表是 Table II；Table I 是与先前基准的对照。六维平均 CPRS 落在 0.3302 与 0.3558 之间，m03 声传播最难，m04 观察者相对最易。子类被写成 21 divisions；Table IV 列出的子类编号是 19 个（缺 c14、c16）。细项编号也不连续：缺 t30、t35–t37、t40–t41、t43、t45、t49，列出的 t 码仍是 41 个。Appendix A-A 写每维 2–4 个子类，与“21”同样对不上。这些是分类法在纸面上的裂缝，不改变“六维四十一细项”这一反复出现的整数。
人工 的绝对值只存在于 Figure 5。正文只给名次：Wan 2.6 三项皆首，随后 Sora 2 与 Kling v2.6。本阅读不把图里的像素读成数字。419 条有效作答对 600 题，说明质控去掉了一部分；论文未解释 74 人如何分到这些题。
Abstract 的 “each grounded with an average of 17 videos” 未标明 each 是组还是提示。贡献 4 写 each prompt。11,605 ÷ 337 ≈ 34.4（组均）；11,605 ÷ (337 × 2) ≈ 17.22（提示均）。按后一式理解，与 17 相符。
Abstract / Conclusion 写 17 个模型；Section I 写 over 17。Table II 十七行、十五套独立系统。
Section IV-C 把 Seedance 1.5 Pro 写成 TV-IB 最优；表中它的 TV-IB 0.3274 为商业组最低，TA-IB 0.1836 为最高。同一小节把同步那段的小标题再次写成 “Audio-Visual Semantic Alignment”。
式 (1) 把真值对印成 (agt,i, agt,i)。eb,gt 使用 bgt,i。
第六维在 Section III-B 与 Table I 称 Complex Coupling，在 Table IV 称 Complex Phenomena，其下又有名为 Complex Coupling 的子类 c21。
附录时长之和 92.137k 秒 = 25.5936 小时，Abstract 作 25.5。按四舍五入可以同时成立。
联合声画生成已经能够把锤子配上一段像敲击的声音，并把敲击放在画面发生的那一瞬。先前的基准测试考的就是这类对齐，因而给不出“空瓶与装水瓶音高是否不同”的分数。没有受控对照，复用旧数据，又缺少“为何发声”的标注，灵敏度根本无法定义。作者新录 11,605 条、337 对只改一个物理量的提示，用 APST 问变化的方向与幅度，用 CPRS 在嵌入空间里打分。十七行里最高的商业 T2AV 是 Sora 2 的 0.4512，仍被写成 only；七十四人的 PVR-MOS 与 CPRS 相关 0.92。同步最好的 Seedance 并不是物理最好。未收入的是极端与危险事件；未做的是把定律本身写成验算。分数比较的是编码器眼里的移动，不是声波方程。