FIRM-Video：基于清单核验的文本生成视频奖励模型

可靠奖励模型对于文生视频评估和对齐至关重要。然而，评估准确性与推理效率之间的权衡对训练监督的质量提出了高要求。现有方法往往依赖具有固定评分标准或开放式推理的整体评判器，导致检查不全面、论证不忠实以及归因纠缠不清。我们提出FIRM-Video，一种基于“先检查后评分”原则的统一清单驱动数据构建框架：构建特定维度的检查清单，对照时间视觉证据验证每项标准，并仅聚合已验证的决策。对于指令遵循，FIRM-Video将提示分解为加权原子需求；对于世界一致性，它构建基于可见实体和动作的提示校准、目标特定检查；对于感知质量，它应用视觉缺陷的通用分类法。验证后的标准和分数进一步转化为自然语言分析，用于端到端奖励建模。随后，我们从29,348个视频构建了包含88,044个特定维度实例的FIRM-Video-90K，并引入了包含250个视频上750个逐点人工标注的FIRM-Video-Bench。基于Qwen3-VL的FIRM-Video-8B在FIRM-Video-Bench上取得了最佳整体MAE，同时在三个视频生成器的Best-of-8采样中持续获得最高的VBench总分、质量分和语义分。