Joint Audio-Video Generation on JavisBench 1.0 (test) benchmark leaderboard · SOTA2 Research

Joint Audio-Video Generation on JavisBench 1.0 (test)

0.198AV-IBMMAudio

Evaluation Results

Method	Links
MMAudio2026.02		0.198	—	—	6.1	—	0.16	—	0.407	—	0.182	0.15	0.849
JavisDiT++2026.02		0.198	141.5	—	5.5	0.282	0.164	0.316	0.424	—	0.184	0.159	0.832
JavisDiT2025.03		0.197	204.1	1.4	7.2	0.263	0.143	0.302	0.391	0.801	0.179	0.154	—
JavisDiT2026.02		0.197	204.1	—	7.2	0.263	0.143	0.302	0.391	—	0.179	0.154	1.039
FoleyCftr2025.03		0.193	—	—	9.1	—	0.149	—	0.383	0.8	0.186	0.151	—
FoleyC2026.02		0.193	—	—	9.1	—	0.149	—	0.383	—	0.186	0.151	0.952
See&Hear2025.03		0.16	—	—	7.6	—	0.129	—	0.263	0.798	0.143	0.112	—
See&Hear2026.02		0.16	—	—	7.6	—	0.129	—	0.263	—	0.143	0.112	1.099
TPoS2025.03		0.142	839.7	4.7	—	0.201	—	0.229	—	0.778	0.129	0.095	—
TempoTkn2026.02		0.139	539.8	—	—	0.084	—	0.205	—	—	0.122	0.103	1.532
TempoTkn2025.03		0.137	539.8	7.2	—	0.084	—	0.205	—	0.787	0.122	0.103	—
TPoS2026.02		0.124	839.7	—	—	0.201	—	0.229	—	—	0.129	0.095	1.493
MM-Diff2025.03		0.119	2,311.9	12.2	27.5	0.08	0.014	0.181	0.079	0.783	0.109	0.07	—
MM-Diff2026.02		0.119	2,311.9	—	27.5	0.08	0.014	0.181	0.079	—	0.109	0.07	0.875
ReWaS2025.03		0.11	—	—	9.4	—	0.123	—	0.28	0.794	0.104	0.079	—
ReWaS2026.02		0.11	—	—	9.4	—	0.123	—	0.28	—	0.104	0.079	1.071
UniVerse-12025.03		0.104	194.2	0.5	8.7	0.272	0.111	0.309	0.245	0.793	0.098	0.077	—
UniVerse-12026.02		0.104	194.2	—	8.7	0.272	0.111	0.309	0.245	—	0.098	0.077	0.929