VibeVideoBench 发布：前沿智能体用代码生成视频，最佳系统约四分之一任务未过核心要求

事件核心：发生了什么

VibeVideoBench 把任务交给在沙箱中自主运行的多模态智能体：它需要自己写代码渲染画面、合成声音，并在 1 小时内交付成品 MP4 和项目材料，而不是调用现成的扩散视频模型。任务共 239 个，覆盖英文和中文、12 类内容，从数据故事、音乐短片到课堂讲解、论文解析，时长 8 秒至 15 分钟。评测分三层：程序检查交付规范；约 1.3 万条与任务要求对应的评分规则做通过/失败判定；再由三个视觉语言模型评审小组按画面质量、美学、内容逻辑、节奏与运动、音画同步五个维度打分，并用盲测人工偏好校验。摘要显示，在 9 个前沿智能体系统、2151 次计分运行中，GPT-6 Astra 和 Claude Opus 5.5 明显领先，但最佳系统仍有约四分之一的活未满足核心要求。另有数据指出，交付与否和视频质量同样关键：四分之三的“丢片”是因为最终渲染启动太晚、跑得太慢或根本没启动。

为什么重要

它检验的问题很实际：扩散模型能做出好看的片段，却很难稳定输出精确公式、正确图表、规则一致的游戏过程，或与画面事件同步的旁白。代码驱动路线的逻辑是，代码可以把文字、数字、状态变化和声音时间点管得更死，但这是研究动机，不是已被证明的结论。与 VBench 这类评价文生视频生成器的基准相比，这里智能体要同时造画面和声音，任务不同，分数不能直接横比，也说明目前公开信息只覆盖摘要层。

对用户/开发者/创作者的影响

创作者可以把它当作反直觉提醒：在自动生成视频里，能否按时交付往往比“最好的那条有多好”更影响体验。开发者若做智能体应用，渲染耗时、超时处理和任务编排是产品化的硬门槛。对企业选型，榜单里 Claude Opus 5.5 在 239 个任务中交付 239 条视频、L2 严格成功率 76.3%，而 Gemini 4 Argon 只交付 184 条，把缺片计零后 L3 降到 3.069；这类对比应看作特定日期、特定任务和评测条件下的结果，不是永久排名。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是后续是否公开全部实验设置和更多模型结果；二是“缺片计零”等口径是否被更多基准采纳；三是代码驱动路线的产出能否在真实工作流中稳定交付，而不只是基准里的单项表现。

来源：alphaXiv