一句话看懂：Hugging Face Papers 收录的论文 Video-Coder 提出训练一个会写代码、执行代码的视频生成智能体，先搭出动态 3D 场景作为“草稿视频”，再把结构和运动信息交给下游视频生成模型。它代表的是从“直接出视频”转向“先写程序搭场景”的一条技术路线。
事件核心：发生了什么
据论文摘要，该研究由作者提出 Video-Coder，称其为首个代码驱动的视频生成智能体：模型自主编写并执行代码，构建动态 3D 场景，生成带空间结构与运动信号的 Draft Video，供后续视频生成器使用。为支撑这一范式，作者设计了数据流水线，整理出 Video-Coder-SFT-6k 和 Video-Coder-RL-2k 两个数据集，并搭建统一交互环境 Video-Coder Harness，整合代码执行、3D 场景渲染与执行反馈。训练上采用先监督微调、后基于 Harness 的智能体强化学习，奖励由执行反馈和视频质量两部分组成，并设计退火策略逐步降低执行奖励权重。摘要称，在 PhyGenBench 和 VBench-2.0 上，该方法使 Minimax-H3 分别提升约 7 分和 24 分。作者表示将开源数据、模型和代码。
为什么重要
当前视频生成模型在画质和时序一致性上进步明显，但精确的空间结构、连贯运动和可控场景构图仍是难点。Video-Coder 的思路是把“写代码搭 3D 场景”变成可训练、可奖励的智能体行为，相当于给视频生成加了一层可解释的中间表示。若该路线成立，视频生成的能力上限可能更多取决于代码与场景构建环节，而不只是扩大视频模型参数。双奖励加退火的设计也值得注意：早期靠执行结果保证代码能跑通，后期转向视频质量，避免模型只学会“写对代码”却生成不好视频。
对用户/开发者/创作者的影响
对创作者而言，这条路线暗示未来可能通过自然语言描述场景结构，由智能体生成可执行的 3D 场景代码，再产出视频，复杂运镜和物理运动或更可控。对开发者，开源的数据集、模型和 Harness 环境可作为代码智能体与视频生成结合的研究基础，尤其是“代码执行反馈 + 视频奖励”的强化学习范式可能被复用到其他多模态任务。对企业而言，目前公开信息仅为论文摘要，尚不足以判断推理成本、生成速度和稳定性，暂不宜按已落地产品评估。
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。
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
一是作者承诺的开源是否兑现，数据、模型和 Harness 能否实际运行；二是摘要中的提升数据是否来自完整实验和公平对比，需等全文与社区复现；三是这一“先搭 3D 场景再生成视频”的中间层，是否会被闭源视频模型厂商跟进，或与现有 3D 生成、视频编辑工具形成组合。
