VideoCoCo：基于代码作为思维链的物理一致性视频生成——通过智能体双引擎系统

arXiv 2026 42.8 method, system

TLDR

VideoCoCo使用可执行Blender代码作为思维链，通过双引擎框架生成物理一致性视频。

评分理由

The paper introduces a novel approach separating process-level reasoning (code simulation) from visual realization, achieving strong benchmark results. However, it does not discuss limitations or generalizability, and the reliance on a specific simulator may limit applicability.

Read-first 评分解释

综合优先阅读分 42.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 35。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、数据集、结果

主题相关性 29%

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、数据集

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：486。

关键词评分

world simulator

video world model

world model

world dynamics prediction

generative world model

interactive world model

model-based reinforcement learning world model

深度分析

创新点

使用可执行Blender代码作为过程级思维链的智能体双引擎框架，用于物理一致性视频生成
分解为合成可执行Blender程序的编码智能体和通过草稿条件编辑将确定性时空草稿转换为逼真视频的生成式视频引擎
精编数据集VideoCoCo-3K，包含草稿-指令-目标三元组，用于使视频编辑器适应模拟草稿

方法

给定文本提示，编码智能体生成一个Blender程序，明确指定场景几何和时间演化；模拟引擎执行该程序产生确定性时空草稿；生成式视频引擎随后进行草稿条件编辑，将草稿转换为逼真视频。构建了草稿-指令-目标三元组数据集（VideoCoCo-3K）以适配编辑器到模拟草稿。

关键结果

VideoCoCo在PhyGenBench上将OmniWeaving基线从0.475提升至0.558，在VBench-2.0上从52.18提升至77.88，在两个基准上均取得最佳平均分。

技术栈

BlenderCoding AgentSimulation EngineGenerative Video EngineDraft-Conditioned EditingVideoCoCo-3K

资源

论文