视频生成也能代码驱动了，Code Video Model 来了

3 小时前

当前主流视频扩散模型存在物理规律约束不足、精确控制难的问题。为此，微软团队推出了Code Video Model，该模型以可执行代码作为视频的控制表示，通过Coding Agent将提示词转化为Three.js可执行场景程序，生成预演视频。在生成前，用户可以对场景布局、运动轨迹、物理参数等进行检查、编辑和验证。研究通过系统实验，揭示了不同条件通路的作用机制，并提出了一种免训练的阶段化条件调度范式。该范式在冻结预训练视频模型参数的基础上，早期引入预演的时空结构约束，后期则撤去预演条件，由文本和参考图引导外观细化。这一方案既保留了程序定义的结构与运动准确性，又避免了生成结果被预演的低多边形风格所主导。它支持动漫、子弹时间镜头、场景编辑、物理过程还原等多类场景的可控视频生成，将传统生成后反复试错的镜头迭代模式，提前至生成前的预演验证阶段。