WeVisCut — 완성된 영상에서 편집 정책 학습

TL;DR

WeVisCut은 대본으로 장편 영상을 만드는 에이전트 하니스와 학습된 9B 정책을 결합한다. 저자들은 공통 도구 환경에서 Claude Opus 5와 비슷한 성능을 내면서, 성공적으로 산출된 영상의 분당 생성 토큰은 거의 33x 적게 사용했다고 보고한다. (source)

저자와 소속

Chenyu Mu, Wenming Weng, Qinrui Wang, Xingsong Ye, Hao Yu, Jun He, Chong Sun, Chen Li, Jing Lyu, Erkun Yang, Cheng Deng. 수집한 초록 기록으로는 소속이 확인되지 않는다. 최초 제출일은 2026-10-28이다. (source)

방법

하니스는 제작 상태를 공유해 도구의 피드백이 이후 결정과 수정에 반영되도록 한다. 네 단계 데이터 파이프라인은 편집 과정의 역추적과 검증된 재실행을 결합하여, 완성된 영상에서 복원한 결정을 실행 가능한 지도 데이터로 바꾼다. 단일 정책은 같은 하니스 안에서 제작을 조율하고 실패에서 복구하는 방법을 학습한다. (source)

결과

파이프라인은 3,750개의 완성된 영상에서 130K개가 넘는 학습 예시를 만든다. 평가는 100개 작업과 편집 품질 및 납품 신뢰성을 다루는 다섯 가지 지표를 사용한다. 저자들은 자체 지표에서 기본 모델과 작업을 맞춘 전용 편집기보다 개선되었다고 보고하지만, 초록에는 개별 지표 점수나 불확실성 추정치가 없다. 토큰 비교의 기준은 성공적으로 산출된 영상의 분량이며, 실제 경과 시간이나 총 제작 비용이 아니다. (source)

의의

Agents (LLM Agents) 관점에서 유용한 아이디어는 정책 학습 전에 산출물을 만든 결정을 복원하고 재실행하는 것이다. VibeVideoBench: evaluating finished video delivery는 완성 결과물의 납품에 초점을 맞춘 관련 평가 관점을 제공하지만, 여기서 사용한 벤치마크는 아니다. (source) (related benchmark)

열린 질문

초록은 도구 비용, 렌더링 시간, 학습 영상의 권리, 다른 편집기로의 일반화와 지표 세부 사항을 밝히지 않는다. 본문의 결과, 코드와 생성된 영상은 독립적으로 검토하지 않았다. (source)

인용

• arXiv:2610.38352.
• 수집한 초록.