论文页面 - VibeVideoBench：评测代码驱动视频生成中的多模态智能体

来源：https://huggingface.co/papers/2610.35864 作者：（多人，略）

摘要

VibeVideoBench 评测了通过编写代码生成视频的多模态智能体，发现顶尖系统在大多数任务上能满足核心要求，但常因时间管理不善而失败。

扩散视频模型能生成令人惊艳的片段，但无法可靠地渲染精确的公式、正确的图表、符合规则的游戏，或与画面事件同步的旁白。另一种路径正在兴起：多模态智能体 (https://huggingface.co/papers?q=multimodal%20agents) 编写代码来渲染每一帧、合成每一段声音。我们提出 VibeVideoBench (https://huggingface.co/papers?q=VibeVideoBench)，一个用于评测代码驱动视频生成 (https://huggingface.co/papers?q=code-driven%20video%20generation) 智能体的基准。它包含 239 个中英文自包含任务，涵盖 12 个类别，从数据叙事、音乐驱动作品到课堂讲解和论文解读；每个任务要求智能体在其原生运行环境中、在不含任何图像或视频生成模型的沙箱中，于一小时内交付一个带音频的完整 MP4 文件。评测是分层且基于证据的：程序化检查交付规格、约 13,000 项针对具体任务的评分细则检查（追溯至其对应的需求），以及每任务锚定的五个质量维度，由三个 VLM 评审团 (https://huggingface.co/papers?q=VLM%20judge%20panels) 打分。在九个前沿智能体系统和 2,151 次评分运行中，GPT-6 Astra 和 Claude Opus 5.5 在评审团和人工标注者中均排名第一和第二，最强系统在 76.3% 的任务上满足每一项核心要求。交付是另一条评价维度：将缺失的视频计为零分会改变排名，且丢失的视频中有四分之三是最终渲染开始太晚、运行太慢或从未启动——这是智能体在一小时内的规划能力的失败。智能体会构建自己的渲染管线 (https://huggingface.co/papers?q=rendering%20pipelines) 并检查自己的帧，但检查的频繁程度并不能预测最终质量。评审团对各系统的排名与盲测的人类偏好高度一致。

查看 arXiv 页面 (https://arxiv.org/abs/2610.35864) 查看 PDF (https://arxiv.org/pdf/2610.35864) 项目主页 (https://vibevideobench.github.io/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.35864)

引用本文的模型：0

暂无模型关联本文。

在模型 README.md 中引用 arxiv.org/abs/2610.35864 即可从此页面链接过去。

引用本文的数据集：0

暂无数据集关联本文。

在数据集 README.md 中引用 arxiv.org/abs/2610.35864 即可从此页面链接过去。

引用本文的 Space：0

暂无 Space 关联本文。

在 Space README.md 中引用 arxiv.org/abs/2610.35864 即可从此页面链接过去。

包含本文的收藏：0

暂无收藏包含本文。

将本文添加到收藏 (https://huggingface.co/new-collection) 即可从此页面链接过去。