> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# Video-Coder：先写三维场景代码，再生成视频
- URL: https://binnn.top/video-coder-scene-programming/
- Published: 2026-11-09T07:39:01.000Z
- Updated: 2026-11-09T10:44:07.000Z
- Description: 论文提出训练编程智能体，用可执行的三维场景提供视频结构与运动信号；训练参考视频也由模型合成，数据筛选排除了难以用几何与关键帧表达的内容。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-06

## 用三维草稿约束结构与运动

Video-Coder 把视频生成拆成两个环节：智能体根据文字要求编写并执行代码，构建动态三维场景，渲染成草稿视频；下游视频生成器再据此生成最终画面。作者希望通过这个中间表示，明确传递物体布局和运动信息。

## 提交后还要独立重跑代码

在执行环境中，提交脚本不等于通过验收。环境会在干净目录里从头重跑最终脚本，只有再次通过全部检查，才接受该轮结果并导出白模视频。这一设计把验收落在重新执行后的结果上，用来检查产物能否仅凭代码复现。

## 参考视频来自模型合成

训练所用的参考视频并非实拍记录。论文先用草稿视频确定几何结构、空间布局和运动，再把草稿与文字提示一起交给 MiniMax-H3 合成视频。按作者描述，结构与运动跟随白模，外观跟随提示词；这些合成结果被作为训练参考。

## 两阶段训练只更新编程模型

作者以 Qwen3.5-9B 初始化智能体，先用六千条样本做监督微调，学习场景规划、工具调用和根据反馈改代码，再用两千条提示与参考视频配对数据做强化学习。训练期间，视频生成器保持固定，优化对象是负责生成场景代码的模型。

## 数据筛选限定了覆盖范围

这套方法的数据构建有明确取舍：提示词会被改写为物体、数量、空间布局、运动过程和相机行为的描述；主要依赖精细外观、人物面部表情，或难以用三维场景编程表达的内容则被剔除。因此，材料没有提供这些内容上的能力证据。

原始标题：Video-Coder: Reinforcing Agentic Coding for Video Generation  
[来源：arxiv.org](https://arxiv.org/abs/2611.09894?ref=binnn.top)