**VideoGen-Agent：用强化学习训练会调用工具的视频生成智能体**

_VideoGen-Agent: Reinforcing Video Generation Agents_

> 该论文提出 VideoGen-Agent，一个通过多任务智能体强化学习训练的多模态智能体，能通过多轮交互协调扩增、生成与验证等外部工具，以应对需要专业知识、特定身份、物理一致性或有序事件的提示。方法上先用教师轨迹做监督微调建立工具使用行为，再用类别感知混合奖励进行强化学习，评估工具调用有效性、任务适配性与生成视频质量。作者同时发布 VABench 基准，含 600 条覆盖流程知识、单/多实体身份保持、物理一致性、场景构图与多镜头时序结构的提示。结果显示，VideoGen-Agent 在其基础文生视频模型上提升 19.1 分（56.5→75.6）；仅升级生成工具即可在不重新训练智能体的情况下将分数提高到 86.1，人类评估中 84.3% 的对比更偏好升级配置。这表明跨视频生成任务学习工具使用是可行的，且训练后的智能体能持续受益于生成工具的进步。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24997)