微软发布 Code Video Model：用可执行代码控制视频生成

微软于2026年10月11日发布 Code Video Model，一种使用可执行代码精确控制场景结构、物体运动与镜头路径的视频生成方法。据 aitimes.com 报道，该模型由编码智能体充当视频生成引擎，把提示词转换为可执行程序。

该智能体编写代码来定义物体的位置、运动、时序和镜头轨迹，并应用物理方程。系统可在一分钟内生成代理视频与参考图像。

随后，一个预训练的 Reference-to-Video（R2V）模型根据代理视频和参考图像生成最终的细节视频。团队还采用了一种称为 early-step conditioning 的技术：代理视频仅在采样的早期阶段作为条件使用，之后移除该条件。

研究团队同时推出了 CodeVideoBench 基准测试，覆盖游戏、场景编辑、基于物理的运动、子弹时间以及 3D/4D 重建等任务。在 QwenVL-3.8-27B、GPT-5.6 和 GPT-6 上，Code Video Model 与 R2V 模型 MiniMax-H3 组合的得分分别为 85.2、82.1 和 85.8 分；此前表现最好的基于学习的模型 VACE 在同一基准上的得分为 74.3、73.1 和 80.6。

模型权重及相关代码可通过 Hugging Face 和 GitHub 获取。此前的视频扩散模型虽能生成逼真视频，但物体位置、运动与镜头轨迹由模型内部决定，用户难以进行细致调整。