结论：多任务智能体强化学习让视频生成学会调用外部工具

普林斯顿大学、斯坦福大学等团队公开预印本《VideoGen-Agent: Reinforcing Video Generation Agents》。作者结论是：以多任务智能体强化学习训练的共享多模态策略，可在多轮推理—行动—观察循环中协调增强、生成、验证三类工具，解决单体视频模型在专业知识、身份保持、物理一致与有序多镜头上的短板。作者在自建held-out基准VABench上报告，较基座文本生视频模型从56.5分提至75.6分，提升19.1分；升级生成工具后无需重训达86.1分，人类在84.3%对比中偏好升级配置。本文为预印本解读，结论限于作者实验范围，未经同行评审与独立复现。时效说明：arXiv记录该版本提交时间为2026年9月21日17时58分56秒UTC，对应北京时间2026年9月22日01时58分56秒，属于本次运行的当日窗口。

研究对象与方法条件

研究对象为需要专门知识、特定身份、物理一致或有序事件的视频生成提示，覆盖程序知识、单实体身份、多实体身份、物理仿真、组合场景、多镜头六类任务。方法分两阶段，均来自当日论文原文。第一，监督微调：以Claude Opus 4.7与Gemini 3.1 Pro为教师生成工具使用轨迹，共24K条提示中16K用于监督微调，建立检索文本与图像参考、仿真运动、调用文本生视频与图像参考生视频、再以目标检测与深度估计验证反馈的默认工作流。第二，多任务智能体强化学习：在剩余8K提示上以GRPO优化共享策略，类别感知混合奖励评估工具调用有效性、任务适配的工具选择与生成视频质量，并做任务优势归一化平衡六类学习信号。工具经统一接口接入，兼容的后端实现可在同一工作流内升级。以上为作者自述，编辑未补充外部背景。

评估范围与作者报告的主要结果

作者新建VABench基准，600条held-out提示覆盖上述六类能力，每条突出目标能力以检验单体模型薄弱点，以类别专用视觉语言模型量表评分并校验裁判与人类偏好的一致性。作者报告的主要结果为：在VABench上VideoGen-Agent较基座提升19.1分，升级生成工具后进一步至86.1分且六类均为最高；人类评估中升级配置在84.3%对比中优于最强单体基线；消融证实监督微调与强化学习两阶段及奖励组件均有贡献，工具升级无需重训即可受益。这些比较仍限于作者选择的基座模型、工具实现与评分配置，不构成对所有视频模型与提示的普遍保证。

研究状态、限制与潜在意义

状态为arXiv预印本，学科分类为cs.CV，未标注期刊或会议接收信息，应按未经同行评审处理。限制包括：评估依赖自建600提示与视觉语言模型裁判，结果受提示构造、量表设计与裁判模型影响；提升依赖检索、仿真与生成工具链，工具质量、覆盖与可用性变化可能改变效果；多轮工具调用的延迟、成本与跨域泛化未经验证，升级组合的稳定性待第三方复现。潜在意义在于为视频生成提供可复用的智能体范式：以检索补程序知识、以图像参考保身份、以仿真保物理、以验证反馈促再生，并通过统一接口兼容未来更强的生成后端。若后续公开完整轨迹数据、VABench与第三方复现，则可进一步判断其在产品演示、教育内容与影视预演中的实用价值。

作者结论为论文自述，尚未见独立第三方验证；机构归属来自论文全文作者页，编辑解释仅限于方法归类与适用条件，不做效果担保或商业推荐。