**RoboJudge：多模态大模型作为具身视频生成的裁判**

_RoboJudge: Multimodal Language Models as Judges for Embodied Video Generation_

> 针对具身视频生成中物理有效性与指令遵循性的评估难题，研究提出了 RoboJudge-Bench 基准与 RoboJudge-9B 模型。该研究通过构建包含 12K 视频和 25K 人类验证分数的训练集，利用监督学习与强化学习微调 9B 多模态大模型。实验表明，RoboJudge-9B 在物理遵循度和指令对齐度上与人类评分的一致性最高，Pearson 相关系数达 0.719，显著优于当前最佳商用模型 Gemini-3.7-Flash，并能在外部基准测试中取得提升。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-26 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.27782)