alphaXiv综述：视频生成转向Agent Harness，提出RSI研究框架

事件核心：发生了什么

这是一篇综述报告，而非已上线产品。作者提出“agent harness”概念：一层可执行运行时，负责构建上下文、开放工具、持久化项目状态、分发反馈并管理预算与停止规则。据摘要，报告讨论三个方向：一是 Agent 化视频生成，由 harness 统筹剧本、分镜、素材管理、拍摄式生成与剪辑；二是 Agent 化世界建模，让游戏引擎或 Agent 编写的程序维护世界状态，视频模型只负责渲染观测；三是视频模型开发中的递归自我改进（RSI），并区分修改输出、更新 harness 状态、调整生成器参数、更新评估器以及改变改进流程本身。摘要同时列出音视频感知、长程规划、记忆、代码交互、反馈控制、技能复用和多 Agent 协同等关键能力。目前公开信息仅限摘要与论文页面，尚无实验结果可供核验。

为什么重要

以往多镜头视频生成的核心难题是一致性与局部返修，单次端到端合成难以承担。把 harness 作为分析单位，意味着竞争焦点可能从模型参数转向运行时、工具链和评估反馈闭环。世界模型部分提出的混合设计——程序管状态、模型管画面——也为交互式环境提供了更可控的工程路线。RSI 被作者明确标注为研究方向，而非已展示的能力，这一点需要克制看待。

对用户/开发者/创作者的影响

创作者侧，若 harness 思路落地，视频制作工具可能更像可编程的项目管理系统，素材版本、镜头依赖和局部修改的记录会成为标配。开发者侧，接口设计将从“一次推理调用”转向带状态、预算和反馈路由的运行时，记忆与技能复用成为工程重点。企业采购时，需关注供应商是否具备可追溯的来源记录与成本核算能力，而不只看单条视频画质。

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

一是是否有团队基于该框架发布可运行的开源或闭源 harness；二是混合世界模型方案在游戏引擎或代码 Agent 中是否有可复现的交互评测；三是 RSI 相关表述是否停留在概念层，评估器与生成器互相改进的闭环能否被实验验证。

来源：alphaXiv