微软开源 Code Video Model:先写代码摆场景再生成视频
xiaohu · x · 2026-10-13
微软研究院推出 Code Video Model,借鉴电影工业的前期可视化预览(Previs)机制,让 AI 视频生成多一个可查看、可修改的中间环节。
- 先代码搭骨架:提示词输入后,编程 Agent 写出 Three.js 程序,在虚拟空间里精确摆放场景、物体坐标、运动轨迹、镜头机位,甚至按物理方程(弹簧振动、双摆)计算运动,渲染出低精度动态小样;不满意改一行代码即可。
- Early-step Conditioning:为避免成片模仿粗模的简陋几何与平坦材质,只在扩散采样的前几步(约前 25%)注入代码视频来定构图与动作,后期撤掉代码参考,依据参考图还原真实质感,且无需重新训练模型。
- 定向修改:可基于同一场景做局部替换(拱门改门洞、人形换四足机器人、路线切换),镜头运镜与物体运动可独立规划。
- 项目已开源,论文用 GPT-6 写代码、MiniMax-H3 作视频模型。
所属事件:微软开源 Code Video Model，用代码实现可控视频生成(3 条相关)→
「编程与Agent」频道最新
- 开发者一周死线并行开一堆 Claude 干活,勉强如期交付 — rickasaurus · 2026-10-13
- 多智能体工作流卡死先查通信,四大翻车点来自实战工作坊 — Al_Grigor · 2026-10-13
- iOS 开发者自嘲:agent 时代先把 HomeView、agents.md 和 skills 问个遍 — Dimillian · 2026-10-13
- AI 评分员和人工审核打架时,agent 团队该怎么裁决 — AssociationNew7925 · 2026-10-13
- 开发者自建实时语音听写工具:AssemblyAI 转写 + LLM Gateway 润色 — tech__unicorn · 2026-10-13
- Agent 修 bug 陷入死循环，yacine 调侃其为 Spinbusy — yacineMTB · 2026-10-13