論文の概要: WeVisCut: The Whole Editing Room in One Agent From Narration to Long-Form Video

• arxiv url: http://arxiv.org/abs/2610.38352v1
• Date: Wed, 28 Oct 2026 06:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.962677
• Title: WeVisCut: The Whole Editing Room in One Agent From Narration to Long-Form Video
• Title（参考訳）: WeVisCut:ナレーションから長いビデオまで1人のエージェントが編集する部屋
• Abstract要約: WeVisCutは、ツールの実行とポリシー学習を接続する長文のスクリプト・トゥ・ビデオシステムである。 我々の4段階のデータパイプラインは、編集インバージョンと検証されたリプレイを組み合わせて、復元された編集意図を実行可能な監視に変換する。 共有ツール環境下では、WeVisCutはベースモデルを大幅に上回り、Claude Opus 5と同等のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 50.440020150042876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Producing long-form videos from narration requires interdependent decisions that remain coherent across shots. Existing agentic editors often use multi-stage workflows driven by general models, leaving the quality-cost trade-off of compact, task-adapted policies unclear. We address this gap with WeVisCut, a long-form script-to-video system that connects tool execution with policy learning. Its agent harness maintains shared production state so that tool feedback informs subsequent decisions and repairs. Because finished videos do not expose these decisions, our four-stage data pipeline combines editing inversion with verified replay to turn recovered editing intent into executable supervision. Applied to 3,750 finished videos, this pipeline yields over 130K training examples. We use this supervision to train a single 9B policy that coordinates production and recovers from failures within the same harness. Moreover, we introduce a 100-task benchmark and five metrics assessing editing quality and delivery reliability. Under a shared tool environment, WeVisCut substantially outperforms its base model and achieves comparable performance to Claude Opus 5 while using nearly 33x fewer generated tokens per successful output minute. It also outperforms task-matched native editors on our proposed metrics.
• Abstract（参考訳）: ナレーションからロングフォームビデオを生成するには、ショット全体で一貫性のある、相互依存的な決定が必要である。 既存のエージェントエディタは、一般的なモデルによって駆動されるマルチステージワークフローを使用することが多く、コンパクトでタスク適応的なポリシーの質とコストのトレードオフがはっきりしないままである。 WeVisCutは、ツールの実行とポリシー学習を結びつける長文のスクリプト・トゥ・ビデオシステムである。 そのエージェントハーネスは共有生産状態を維持し、ツールフィードバックがその後の決定と修復を通知する。 完成したビデオはこれらの決定を公開しないため、我々の4段階のデータパイプラインは、編集インバージョンと検証されたリプレイを組み合わせて、復元された編集意図を実行可能な監視に変換する。 完成したビデオ3750本に適用すると、このパイプラインは130K以上のトレーニングサンプルが得られる。 我々は、この監督を利用して、同じハーネス内の障害からプロダクションを調整し、回復する単一の9Bポリシーを訓練します。 さらに、100タスクのベンチマークと、編集品質とデリバリ信頼性を評価する5つの指標を導入する。 共有ツール環境下では、WeVisCutはベースモデルを大幅に上回り、Claude Opus 5に匹敵するパフォーマンスを実現している。 また、提案したメトリクスでタスクマッチングのネイティブエディタよりも優れています。

関連論文リスト

• VideoX-Qwen: Data-Centric Instruction-Based Video Editing [34.02764351584346]
  VideoX-Qwenは、一般的な命令ベースのビデオ編集のための統合データ構築およびモデルトレーニングフレームワークである。 主なタスクグループごとに40,000件の記録を含む120万件以上のビデオ編集記録を生成し、自動受入率は89%である。 プログレッシブ・イメージ・ビデオ・トレーニング戦略は、マルチモーダル・インストラクション・インタフェースを整列させ、映像生成装置をソース条件の編集に適応させ、選択された高解像度データで出力品質を改善させる。
  論文  参考訳（メタデータ） (2026-09-22T11:18:56Z)
• CineForge: Self-Improving Agents for Long-Horizon Video Generation [14.130480362330431]
  ロングホライゾンのストーリー駆動ビデオ生成は、物語の分解、状態追跡、ショットデザイン、素早い構築、レンダリング、相互依存シーン間のリビジョンをコーディネートするためのプロダクションエージェントを必要とする。 本稿では,CineForge-EvolveとCineForge-Produceを結合した自己進化型ビデオ制作エージェントフレームワークCineForgeを紹介する。 CineForge-Evolveは、CPPE(Case-to-Pattern-to-Policy Evolution)を使用して、軌道証拠をレビューし、再帰的な結果を有界なステージローカルパッチに集約し、構造的リプレイと信頼性制御されたペアリング評価を通じて検証された更新をデプロイする。
  論文  参考訳（メタデータ） (2026-08-30T07:29:46Z)
• Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning [56.17582599802973]
  本稿では,MMLVE(Multi-Instruction Multi-Shot Long-Video Editing)タスクを紹介する。 これら3つの課題に対処するために,Large Language Models (LLM) と Vision-Language Models (VLM) を活用したエージェント編集フレームワークを導入する。 我々のMMLVE-Agentは、既存のクローズドソースSOTAアプローチよりも優れています。
  論文  参考訳（メタデータ） (2026-08-27T08:48:13Z)
• CoVEBench: Can Video Editing Models Handle Complex Instructions? [26.871333176496126]
  CoVEBenchは、416のキュレートされたソースビデオ、626のマルチポイント編集命令、9,990のきめ細かいチェックリスト項目からなる合成ビデオ編集ベンチマークである。 MLLM-judged命令コンプライアンスとビデオ忠実度によるモデルの評価と、ビデオ品質の自動測定を行う。
  論文  参考訳（メタデータ） (2026-06-07T02:29:41Z)
• JAVEDIT: Joint Audio-Visual Instruction-Guided Video Editing with Agentic Data Curation [100.46371655184585]
  JAVEdit-100kは、命令誘導型共同視覚編集に適した、最初の大規模で高品質なデータセットである。 このデータセットは、4つの巧妙に設計された生成パイプラインを通じて厳密に構築され、エージェント・イン・ザ・ループの品質管理機構とシームレスにペアリングされる。 フィールド内での標準化評価の欠如に対処するため、我々は、キュレートされたソースビデオと人間対応の指示を含む包括的なベンチマークであるJAVEditBenchを紹介した。
  論文  参考訳（メタデータ） (2026-06-02T05:26:06Z)
• Video-Based Reward Modeling for Computer-Use Agents [40.27314571412647]
  本研究では,エージェントの内部的推論や行動に依存しないエージェント軌道からのシーケンスのシーケンスを,実行ビデオから得られる報酬モデリングについて検討する。 本稿では,53kの高品質ビデオ・タスク・リワード・トリプルのデータセットであるExecution Video Reward 53k(ExeVR-53k)を紹介する。 これらのコンポーネント上に構築したExecution Video Model (ExeVRM) は,タスク成功を予測するためにユーザ命令とビデオ実行シーケンスのみを必要とする。
  論文  参考訳（メタデータ） (2026-03-10T19:17:22Z)
• LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling [87.98096428508181]
  LongVTは、Multimodal Chain-of-Tool-Thoughtを通じて"Thinking with Long Videos"を可能にするエンドツーエンドのエージェントフレームワークである。 我々は、LMM固有の時間的接地機能を利用して、特定のビデオクリップをズームインし、よりきめ細かいビデオフレームを再サンプリングするネイティブビデオトリミングツールを開発した。 トレーニングデータセットは, ツール統合型冷間始動微調整用247.9K試料, エージェント強化学習用1.6K試料, エージェント強化微調整用15.4K試料からなる。
  論文  参考訳（メタデータ） (2025-11-25T19:22:48Z)
• Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset [103.36732993526545]
  命令ベースの動画編集のためのフレームワークであるDittoを開発した。 我々は100万の高忠実度ビデオ編集サンプルのデータセットを構築した。 カリキュラム学習戦略を用いてDitto-1MでモデルであるEdittoをトレーニングする。
  論文  参考訳（メタデータ） (2025-10-17T15:31:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。