一句话看懂：Hugging Face Papers 收录的论文摘要提出 MotionGraphicsBench，用 100 个真实 Lottie 动效改编实例和可执行的验证程序来评测大模型能否按空间、外观和时间要求生成动效，而不是依赖参考动画或视觉语言模型打分。
事件核心：发生了什么
据论文摘要，该基准由专家整理，共 100 个实例：给模型一张静态 SVG 图和一条运动编辑提示，要求生成动画。任务把图形元素全部事先提供，只考察运动生成，贴近设计师的改稿流程。每个实例配一段确定性、可读的验证程序，程序接受多种合法实现，并逐条报告提示要求通过或失败。
验证程序由多智能体流程结合人工标注动画与合成测试用例构建。在 180 条动画的平衡测试集上，与人工判断的原始一致率为 93.3%，GPT-6 Astra 视觉语言模型基线为 83.3%，且前者在通过召回和拒绝召回上都更高。测试覆盖 32 个模型、12 家厂商的 47 种配置，pass@1 在 6.0% 到 67.7% 之间；15 个模型在各自最高可用推理强度下每实例尝试 32 次，pass@32 为 38.0% 到 95.0%。以上数据均来自摘要，尚未核验全文。
为什么重要
动效生成长期缺少像代码测试那样可复核的评测方式：和参考动画比对容不下多种正确做法，用视觉语言模型当裁判又可能不稳定。用可执行程序逐条检查要求，为“模型到底有没有按要求动起来”提供了更透明的度量，也把失败拆成具体环节。
对用户/开发者/创作者的影响
对开发者，这类基准提示做动效生成时不能只看演示效果，轨迹、姿态和事件协同仍是主要失败点。对创作者，它更接近真实工作流中的局部动作修改，而不是从零生成整幅画面。对采购方，目前公开信息显示只是研究基准，并未说明会成为产品或上线功能，但可用来比较不同大模型在动效编辑任务上的差距。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是验证程序能否覆盖更复杂的真实设计需求；二是随着推理尝试次数增加，哪些模型提升最明显；三是基准数据集是否会被厂商用作训练或迭代反馈。
