Alors que les modèles de diffusion vidéo (VDM) progressent vers des modèles du monde, une question clé se pose : comprennent-ils véritablement la causalité, ou se limitent-ils à surapprendre des motifs temporels statistiques ? Les benchmarks existants reposent majoritairement sur des données synthétiques, ce qui restreint la généralisation en conditions réelles en raison de l'écart sim-to-real. Nous présentons YoCausal, un benchmark à deux niveaux inspiré du paradigme de la violation des attentes (VoE) issu des sciences cognitives. En inversant temporellement des vidéos du monde réel à coût nul pour servir d'échantillons contrefactuels naturels, YoCausal établit un protocole d'évaluation extensible à volonté. Le niveau 1 introduit l'Indice de Surprise Inversée (RSI), qui quantifie la perception de la flèche du temps via la perte de débruitage. Le niveau 2 introduit l'Indice de Cognition de la Causalité (CCI), qui s'appuie sur un VLM pour stratifier les ensembles de données en sous-ensembles causaux et non causaux, dissociant ainsi un raisonnement causal authentique d'un biais temporel. L'évaluation de 13 VDM de pointe révèle que percevoir la flèche du temps n'implique pas de comprendre la causalité, et qu'un écart significatif persiste par rapport à la cognition causale de niveau humain.