给视频模型一张人物照、一段动作，再指定一个场景，它可能每样都“看懂”了，合成后却把动作套错人，或悄悄改了长相。OmniVBench想为这类参考到视频生成建立统一考卷：也就是检验模型能否按人物、物体、动作、风格等参考素材生成视频，而不只听一句文字描述。
最值得注意的是，它没有只算成片与参考素材“整体像不像”，而是为具体案例拆出检查清单，逐项确认身份、动作和背景是否保留，彼此有没有串扰，又是否被准确用到目标对象上。论文称，这套基准覆盖7类任务、18项细分任务，共含12,172条案例专属检查项；同时发布34万条处理后的训练样本。作者测试多款开源与闭源模型后称，不同任务和评分维度仍有明显差距，但所给材料未披露具体排名与分数。