VibeVideoBench 測 AI 寫程式做影片：程式完成了，為什麼仍交不出 MP4？
VibeVideoBench 用239個任務測試AI代理寫程式製作有聲影片。解析缺件原因、最後渲染時序、交付率與品質排名差異，以及創作者如何保留完整版本，避免預覽完成卻交不出MP4。
一支教學影片在預覽裡播放正常，到了交件時間卻找不到能開啟的 MP4，前面的動畫和旁白就還沒有成為可用的成品。VibeVideoBench 把這段交付落差，當成評估 AI 代理的重要部分。
這項研究於 2026 年 10 月 26 日首次提交，27 日更新，28 日出現在 Hugging Face 論文討論與 X 貼文。研究要求代理在一小時內，以程式做出有聲影片和可修改的專案。
作者評估九套代理系統，在 2,151 次計分執行中，有 224 次沒有留下可播放影片。其中 169 次，與最後輸出開始太晚、跑不完，或根本沒有開始有關。
因此，影片看起來漂不漂亮，和能不能準時交付，是兩項不同的問題。如果只看已成功輸出的作品，排名也可能掩蓋沒有交件的情況。
對正在用 AI 製作動畫、教材或產品示範的團隊，這項研究較實用的啟發，是提早完成一份可交付版本，再安排有證據的修改。它沒有證明任何模型在所有影片工作中都最好。
要理解為什麼最後一步容易失敗，得先看測驗到底要求代理交出哪些東西。
VibeVideoBench 測的是完整影片交付，非一段生成片段
這項評測要求交出能播放的影片檔、能接續修改的專案，以及標示內容出現時間的時間表。AI 代理指的是能呼叫工具、連續執行工作的系統，因此測驗也涵蓋它如何安排製作與檢查步驟。
依 VibeVideoBench 原始論文，題目涵蓋品牌、產品展示、資料故事、教學與論文解說等情境。這些影片除了畫面，還可能需要旁白、配樂、音效和明確的時間安排。
例如，一段數學教學不能只讓公式看起來漂亮。符號、變化順序與旁白出現的時間，都會影響觀眾能不能理解內容，也會影響後續修改能否順利進行。
研究使用 239 個自成一體的任務，分成十二類。題目把必要資料與交付條件說清楚，讓評估者有機會核對結果，並保留代理選擇視覺呈現方式的空間。
這和一般使用者只說「幫我做一支好看的影片」不同。當要求沒有寫清楚，成品做得不合用，可能同時涉及需求溝通與執行能力，不能直接套用這份研究的排名解釋。
測驗還要求用程式產生畫面，沒有提供圖片或影片生成模型。可用的生成工具是文字轉語音，所以這裡比較的能力，也不同於輸入提示詞就生成影像片段的模型。
把程式、音訊與畫面接成影片，需要最後一道渲染程序。渲染就是把設計好的內容計算並輸出成實際影片檔，這段工作也得算進一小時的期限。
最後輸出太晚，為何會讓前面的修改失去交付價值？
影片代理即使寫好了程式，也可能因為沒有替最後輸出留下時間，而錯過交件。作者分析的缺件結果中，大部分問題就集中在這段製作時序與執行安排。
一種情況是代理一直修改畫面，直到接近期限才開始產生完整影片。如果輸出需要逐格運算、合併旁白或編碼，就可能在完成前遇到時間上限。
另一種情況則是代理只完成預覽。預覽能幫助檢查某個畫面，但它未必包含完整片長、所有音訊，以及最後要交付的檔案格式。
因此，「我已經看到畫面」和「收件者拿到影片」之間，仍有一段工程工作。只在回覆中寫完成，或附上一張好看的截圖，都不能代替那個能真正開啟的檔案。
背景執行，也需要確認什麼時候結束
研究也記錄了輸出程序在代理結束工作後被中止的案例。這說明把渲染丟到背景，並不保證它會在之後自行完成，還得看執行環境如何管理程序。
對使用者而言，可檢查的交付至少應包含檔案位置與播放結果。若系統只回傳「正在輸出」，就仍是進行中，不能把這個狀態當成成品已經交付。
這項區別在團隊交接時尤其實用。負責製片的人離線後，另一位同事需要知道檔案已完成、還在跑，或因錯誤停止，才能決定是否接手。
不過，及時留下影片只是交付的第一步。影片是否符合需求，以及聲音與畫面是否合適，還要用另外的方式檢查。
交付率、需求符合程度與品質，為何可能排出不同名次？
VibeVideoBench 把「有沒有交件」和「交件之後做得多好」分開呈現。這讓讀者可以看出，一套系統的作品很漂亮，是否也能穩定留下可用檔案。
作者的評估安排可分成以下幾個面向，各自回答不同問題。
| 評估面向 | 核對的事情 | 對收件者的意義 |
|---|---|---|
| 檔案與交付規格 | 能否解碼、片長、尺寸、音訊與專案 | 收到的東西能否開啟與接續工作 |
| 題目需求檢查 | 畫面或聲音有沒有呈現指定內容 | 內容是否回答原先需求 |
| 影音品質 | 視覺、內容邏輯、時間與聲音品質 | 觀眾是否看得懂、看得順 |
表中的檔案檢查可以由程式執行，內容與影音感受則另由多組評審模型處理。研究也用人工偏好比較，檢視系統排名和人類判斷之間的關係。
因此，不能把某一項分數直接當成整體完成率。影片有音軌，不代表旁白一定對得上畫面，檔案能播放，也不代表客戶要求的產品步驟全部出現。
一套系統交得最穩，不代表每項品質都第一
作者報告，搭配 Claude Code 的 Opus 5.5 在全部題目中都留下可播放影片，並在嚴格需求指標領先。搭配 Codex 的 GPT-6 Astra 則在評審的整體品質比較中領先，但少交了一個影片。
這些結果比較的是模型和執行工具結合的完整系統。本刊沒有重新執行這批任務，因此這裡呈現的是作者公布的研究結果。
嚴格需求指標也有自己的定義：核心檢查不能出現失敗，且至少一項通過；評審無法判斷或不適用的項目，不會直接扣分。因此，通過這項指標，不能延伸成每個需求都已被完整確證。
如果讀者有交件期限，缺件就有直接成本。若工作需要極高視覺品質而允許人工接手，取捨又可能不同，所以排名應和自己的任務一起看。
這份測驗的工具、硬體和期限，和自己的工作相同嗎？
研究採用固定的一小時期限與相同執行環境，讓不同系統面對可比較的條件。環境提供八個中央處理器核心與 32 GB 記憶體，沒有用於圖形運算的 GPU。
這些條件會影響輸出速度。若自己的電腦可以使用不同硬體加速，或製作環境有其他渲染工具，實際等待時間就可能改變，不能直接把研究缺件率當成公司的預估值。
同樣地，測驗允許代理在事先核准的工具權限下連續工作，而且沒有讓使用者中途補充需求。日常協作常會增加回饋、修改與人工批准，因此工作的組成也不完全相同。
研究比較的是完整代理系統，包含各自使用的執行框架。執行框架負責安排工具、讀取結果與接續動作，所以表現不能全部歸因到模型名稱。
這個限制對選工具有幫助。若團隊正在比較兩套製片服務，就應記下輸入素材、可用工具、硬體與期限，避免把不同配置下的速度放在同一張表裡比較。
有檢查畫面，為何品質仍不一定較高？
作者觀察到，大多數執行過程都會查看自己的畫面，但查看數量和作品品質之間沒有明顯正向關係。這不代表檢查沒有用，而是檢查需要對準可以修正的問題。
例如，反覆看封面，無法證明整支影片的旁白都完整。若任務要求數據圖表，檢查者還需核對數字、標籤和對應時間，才知道應修改哪一段。
研究專案頁提供了結果與展示入口，但 2026 年 10 月 29 日查詢時，程式與資料集的完整公開仍標示為後續提供。想重跑評測的讀者，還要等實際可取得的內容與執行條件。
了解測驗邊界後，就能把它轉成自己的製作安排，而非只記住排行榜。
AI 做動畫先留完整版本，再安排可回復的修改
對有交件時間的製片團隊，我建議先完成一份能播放的完整版本，再保留副本繼續修改。這個做法呼應研究中的缺件原因，但屬於工作方法建議，並非本刊已實測能提高多少成功率。
完整初版不需要先追求最精緻的動畫，卻應包含所有必要段落、聲音與交付檔案。這樣才能提早知道，整條從程式到影片的流程是否真的跑得完。
接著，把修改分成內容與呈現。例如先修正圖表數字，再調整轉場，會比同時大改旁白、片長與動畫，更容易追查新問題從哪裡出現。
時間表可以把「第幾秒應出現什麼」寫清楚，讓接手者不用重讀整份程式，就能對照成品。以課程短片為例，若旁白已進入操作步驟，畫面卻還停在標題，檔案仍然能播放，教學順序卻已經斷掉。
因此，修改其中一段的長度後，也應沿著時間表檢查後續字幕、旁白和重點出現的位置。這是依研究交付要求延伸的製作建議，並非論文證明時間表能自動修好聲畫同步。它的價值是讓問題有可對照的位置，方便下一位製作者繼續修改。
每次修改後，也要確認最後交件檔對應的是哪一版專案。若只保留一個不斷覆寫的檔名，同事收到舊影片時，很難知道它缺少了哪次修正。
這些安排對教學影片尤其重要。畫面上的公式與口白一旦分開修改，兩邊可能出現矛盾，因此驗收要看實際影片，不能只看腳本或程式碼。
如果正在從提示詞與腳本開始規劃動畫，可以先整理每一段要讓觀眾看懂的事情，再選擇適合的製作工具。
延伸閱讀：Claude 動畫教學：Claude Motion、Claude Code 與影片製作案例
對想理解代理如何銜接複雜工程工作的人，新的模型公告也提供了另一個角度，但內部觀察仍需和實際交付分開。
延伸閱讀：Gemini 4 Carbon 發表：資安、長任務能力升級，誰能用、價格多少？
VibeVideoBench 常見問題 FAQ
這是比較所有 AI 影片生成模型嗎？
這份研究測的是用程式產生影片的完整代理系統，沒有提供圖片或影片生成模型。因此，不能把結果當成所有文字轉影片服務的排名。
留下 MP4 就代表全部需求通過嗎？
可播放檔案代表完成了交付的一部分，內容、聲音與題目要求還需要另外檢查。研究也因此把檔案規格、需求符合程度與品質分開呈現。
是否應該一律改用交付率最高的系統？
可以把它列為需要穩定交件時的比較對象，但仍需考慮自己的工具、題型、硬體和人工修改成本。研究結果沒有涵蓋所有工作情境。
可以下載完整資料集重跑嗎？
2026 年 10 月 29 日查詢時，專案頁仍將程式與資料集的完整公開標為後續提供。公開論文和展示能協助理解方法，但不能等同已取得全部重跑材料。
有交件期限的團隊，應先把可播放成品留住
VibeVideoBench 提醒創作者，代理會寫動畫程式，和它能把影片交到下一個人手上，仍是兩個需要分別驗收的能力。最後輸出的時間安排，會直接決定前面的創作能否成為成品。
若工作有固定期限，先保留完整版本，再用清楚證據安排修改，較適合降低臨近交件才發現缺檔的風險。對需要精細內容的團隊，則應把影音與資料核對放進同一場實際播放檢查。
開始下一支 AI 動畫前，先寫下要交的檔案、必要內容與輸出時間。也歡迎免費訂閱 AI 郵報，持續掌握 AI 創作研究與實用工作流程。
