微软研究院 Code Video Model:先用代码预览再生成,得分 85.82 超越 VACE
jiqizhixin · x · 2026-11-07
微软研究院发布 Code Video Model 技术报告：把视频镜头先写成可编辑的程序，在最终生成前就能检查构图与运动，再交给冻结的视频生成模型出片。核心思路分三步：
- 用代码描述镜头：编码 Agent 构建 Three.js 场景，定义物体、运动轨迹、相机运动与时间轴；渲染出代理视频（proxy video），另用一张参考图控制目标外观。
- 早期引导后放手：在报告的 MiniMax-H3 设置下，代理视频条件只在 20 步采样的前 5 步生效，文本与图像引导全程保留，避免把预览的扁平渲染风格带进最终画面，且无需额外训练视频模型。
- 评测成绩：在 CodeVideoBench 上，该方法在 GPT-6 评审下得 85.82 分，高于 VACE 的 80.59。
这意味着视频创作可以先像改代码一样调整布局与运动，确认无误后再渲染成片。
「多模态」频道最新
- 作者发布 54 分钟 AI 动画电影预告：1947 年罗斯威尔幸存者 — fallotheprophets · 2026-11-07
- 用 Gemini 在 Antigravity 里画 ASCII 草图，直接生成音乐界面架构 — alexanderchen · 2026-11-07
- Standard Music 发布：本地开源无限生成音乐，每位虚拟歌手自带人设 — Scobleizer · 2026-11-07
- 用开源框架 openspline 在本地 VRAM 跑起实时「Ram Altman」数字人 — Mikasa0xdev · 2026-11-07
- Meta 实时数字人技术细节曝光:蒸馏 60 倍加速实现实时无限视频生成 — altryne · 2026-11-07
- Dreamina+CapCut 低成本工作流：把 AI 实验变成可提案的客户广告 — Div_pradeep · 2026-11-07