视频生成也能代码驱动了，Code Video Model来了
2026.10.25 · 产品 · 新模型 · 媒体报道
微软团队用 Three.js 程序作为视频控制表示，让镜头设计在生成前可检查、修改和验证。
微软团队提出 Code Video Model，以可执行代码作为视频的控制表示，由 Coding Agent 将 Prompt 转化为 Three.js 程序，统一描述几何布局、物体运动、相机轨迹和事件时序。研究提出免训练的阶段化条件调度，在去噪早期引入程序预演约束、后期由文本与参考图引导外观细化，使镜头控制从生成后反复试错前移至生成前的预演、编辑与验证。
- 以可执行代码作为视频控制表示，Coding Agent 将 Prompt 转化为 Three.js 程序，统一描述几何布局、物体运动、相机轨迹与事件时序。
- 程序渲染出的预演视频提供时空参考，参考图指定目标外观，视频模型据此补充几何细节、材质与光照。
- 提出免训练的阶段化条件调度：早期引入预演约束，后期撤去并由文本与参考图引导外观细化，视频模型保持冻结。
- 条件通路实验显示，Qwen-VL 编码器对外观影响更显著，VAE 通路对运动与结构约束贡献更突出，双通路综合表现优于单通路。
- 支持 Anime、Bullet Time、Gaming、Scene Editing、Robotics & Trajectory Control 等多场景应用。
为什么值得看
视频生成从提示词试错走向代码级可控，镜头设计可在生成前验证。
适合谁关注
视频生成研究者、影视预演与可控生成方向的开发者。