VideoCoCo将VBench提至77.88

重点关注

01 视频生成 让可执行代码接管镜头里的时间

VideoCoCo把视频的时序控制交给可执行的Blender代码：编码智能体先把场景、物体运动和时间演化写成程序，再由模拟引擎运行出确定性的时空草稿。生成式视频引擎随后负责把草稿变成逼真画面，于是「过程怎么发生」和「画面怎么呈现」被拆给两个引擎处理。这个设计真正有意思的地方，是程序成为了视频生成的控制面——物理约束不再只是藏在提示词里的期待，而是可以检查、修改和重复执行的中间产物。根据摘要，VideoCoCo把OmniWeaving基线在PhyGenBench上的得分从0.475提升到0.558，在VBench-2.0上从52.18提升到77.88，并在两个基准的平均分上取得最佳结果。团队还构建了包含3000组「草稿—指令—目标视频」的VideoCoCo-3K，用来让视频编辑器适应模拟草稿。不过，代码能覆盖哪些复杂物理现象、生成效果多大程度依赖Blender脚本质量，以及方法能否处理难以显式编程的自然运动，都需要看全文和更多场景验证。对视频生成团队而言，这条路线值得关注：与其继续要求单个模型从一句文本里猜完整世界，不如先把可控、可审计的动态过程做成稳定接口。

原文：VideoCoCo: Code-as-CoT for Physically-Consistent Video Generation via an Agentic Dual-Engine System

02 多模态 会用工具还不够，关键是这次调用值不值

视觉推理Agent的下一步，不是继续堆叠工具，而是先判断调用能否带来净收益。Beacon从两个维度重新审视工具使用：模型是否只在必要时调用工具，以及调用后是否真的改善答案。作者的分析发现，现有模型往往缺少这种适应性——工具在难题上带来的收益，会被它在简单题上引入的错误抵消。Beacon通过强化学习，让模型按任务需要决定是否调用工具，并重点提升其处理真正困难问题的能力。相比单看工具调用率，这套框架更贴近部署时对延迟、成本和无效操作的权衡，但具体收益幅度仍需看全文与各基准结果确认。

原文：Beacon: Knowing When and How to Perform Agentic Visual Reasoning

03 评测 互动得分超过0.95，人体结构最高仅0.65

多人图像编辑出现了一个反直觉现象：视觉语言模型认为拥抱、背负等互动几乎完全正确，人类却能一眼看到肢体融合、凭空多出的手脚和身体穿插。MPIE-Bench收集了2500组样本，覆盖405个场景和14类互动，并用多人网格重建分别检查身体是否完整、接触几何是否符合指令。测试10个编辑模型时，常规视觉语言模型评分普遍超过0.95，但更贴近物理结构的解剖与互动指标最高只有0.65和0.72，而且没有一个模型能同时做好两项。五人评审也显示，这两项新指标比零样本视觉语言模型更接近人类判断——对准备把多人编辑用于产品的团队来说，语义对了已不够，身体是否真的「站得住」才是下一道门槛。

原文：MPIE-Bench: Benchmarking Anatomically Plausible Multi-Person Interaction Editing