WeVisCut: l’intera sala di montaggio in un solo agente, dalla narrazione al video di lunga durata

Abstract degli autori

La produzione di video di lunga durata a partire da una narrazione richiede decisioni interdipendenti, che devono restare coerenti tra le diverse inquadrature. Gli editor agentici esistenti si affidano spesso a flussi di lavoro in più fasi, guidati da modelli generici, e lasciano poco chiaro il compromesso tra qualità e costo delle policy compatte adattate al compito. Per colmare questa lacuna, presentiamo WeVisCut, un sistema che converte script in video di lunga durata e collega l’esecuzione degli strumenti all’apprendimento delle policy. Il suo framework per gli agenti mantiene uno stato di produzione condiviso, così che il feedback degli strumenti orienti le decisioni successive e le correzioni. Poiché i video finiti non rendono visibili queste decisioni, la nostra pipeline di dati in quattro fasi combina l’inversione del processo di editing con una riproduzione verificata, trasformando l’intento di editing ricostruito in supervisione eseguibile. Applicata a 3.750 video finiti, questa pipeline produce oltre 130 mila esempi di addestramento. Usiamo questa supervisione per addestrare un’unica policy da 9B, che coordina la produzione e recupera dagli errori all’interno dello stesso framework. Inoltre, presentiamo un benchmark di 100 attività e cinque metriche che valutano la qualità dell’editing e l’affidabilità della consegna. In un ambiente condiviso per l’uso degli strumenti, WeVisCut supera nettamente il suo modello di base e ottiene prestazioni paragonabili a Claude Opus 5, usando al contempo quasi 33 volte meno token generati per ogni minuto di output riuscito. Inoltre, supera gli editor nativi abbinati ai compiti secondo le metriche da noi proposte.