標籤 VibeVideoBench

arXiv 新論文 VibeVideoBench 用 239 道任務實測九款 AI 代理寫程式做有聲影片，沙箱禁用任何影片生成模型、一小時硬上限。GPT-6 Astra 與 Claude Opus 5.5 品質居前兩名，但 2,151 次執行有 224 次連影片都交不出來，四分之三敗在最終渲染的時間管理。拆開看交件與品質的雙軸排名、每任務 0.32 到 15.38 美元的成本差距，以及時間預算消融結果。