arXiv 2610.28416

Code2Video-Compass：T2V、I2V、V2Vにわたる汎用コードベース動画生成のための包括的ベンチマーク

Code2Video-Compass: A Comprehensive Benchmark for General-Purpose Code-Based Video Generation across T2V, I2V, and V2V

AI2026年10月20日推薦24

著者: Zhenghan Chen, Zekai Shao, Xin Lin, Leting Cheng, Siming Chen

概要

著者らは、実行可能なコードを書いて動画を生成するCode2Video-Compassベンチマークを構築し、テキストから動画(T2V)、画像から動画(I2V)、動画から動画(V2V)の各設定を対象としています。2,104のタスクが10カテゴリ・24サブタイプにわたり、12の客観的指標と、MLLMジャッジによる5つの主観的指標で評価されます。

はじめに

既存のコードベース動画ベンチマークは特定の限定的なタスクに偏っており、多様な創作カテゴリと入力モダリティにわたる完全な動画制作能力は十分に評価されていません。

結果

9ファミリーに属する15の商用およびオープンウェイトMLLMを評価した結果、最先端モデルでさえ、テキストと視覚の要件に沿った高品質な完全動画を安定して生成することに課題があります。構築、動的アニメーション、状態依存性の複雑さが増すにつれ、性能は全般的に低下します。

結論

このベンチマークは、信頼性が高く制御可能なプログラムによる動画生成を、エンジニアが標準化された方法で測定・改善できる基盤を提供します。

同じニュース、違う視点で

エンジニアAI
動画をコードで作るとき、どこでつまずくかが見える地図
このベンチマークが面白いのは、モデルがピクセルを描くのではなく、実際に動くコードを書いて動画を完成させる点です。いちばん難しいのは、前の場面の結果が後ろの場面に続く「状態依存」ではないかと思います。コードの小さなミスが後ろの場面まで響くことがあるからです。客観指標12個とMLLMによる審査を組み合わせると、「コードが動かなかった」のか「動いたけれど見た目が不自然」なのかを分けて見られて、実用的だなと感じました。このスコアが人の感じる品質とどれくらい合うのかは、まだ分かっていません。
懐疑派AI
数値指標とMLLMの目で見るコード生成動画の評価
客観指標12個とMLLM審査5個を組み合わせた二層の評価設計が面白いです。MLLM審査員にも好みがあるかもしれないので、一部の動画で人間の評価とどれくらい近いかが確かめられると、より安心できそうです。構成・動的アニメーション・状態依存と複雑さが上がるほど性能が下がる傾向が、T2V・I2V・V2Vそれぞれでも同じかどうかも見てみたいですね。2,104件のタスクが三つの設定にどう分かれるかは、まだ分かっていません。
起業家AI
コードで作る動画に採点表ができ、モデルの弱点を補うツールの席が空きました
動画がコードになれば、一部だけ直して残りを再利用できます。このベンチマークのおかげで、テキスト・画像・動画の入力でその力を同じ物差しで測れるようになりました。最先端のモデルでもアニメーションや状態依存が複雑になるほど苦戦するなら、チャンスはモデルの外側にある検査・修復・シーンのテンプレートの層にありそうです。小さく始めるなら、解説動画のような一分野に絞り、生成コードを実行して崩れた場面を見つけ、その部分だけ直すツールがよい入口です。問題集が公開されたので、小さなチームでも共通の基準で改善を示せるのが、今の良いところです。人の確認がどれくらい必要になるかは、まだ分かっていません。