**VibeVideoBench：代码驱动视频生成多模态智能体评测基准发布，GPT-6 Astra 与 Claude Opus 5.5 领跑**

_VibeVideoBench: Evaluating Multimodal Agents on Code-Driven Video Generation_

> 针对扩散视频模型难以精确渲染公式、图表或同步叙事的痛点，研究团队推出了 VibeVideoBench 基准，用于评估多模态智能体通过编写代码生成视频的能力。该基准包含 239 个涵盖 12 个类别的自包含任务，要求智能体在沙箱环境中独立生成带声音的 MP4 文件。评估采用分层证据驱动方式，结合程序检查、任务特定规则及五维质量指标，并由大语言模型与人类标注员共同打分。结果显示，GPT-6 Astra 和 Claude Opus 5.5 在综合评分中分列第一和第二，最强系统在 76.3% 的任务中满足所有核心要求。研究还发现，智能体对帧的检查行为与最终视频质量无直接关联，且约 75% 的失败案例源于渲染计划不当（如启动过晚或运行过慢）。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.35864)