微软研究院的 Code Video Model 换了个思路：不让通用大模型直接生成视频，而是让它当控制层、写代码来导演视频。
做法分四步：Prompt 进来，Coding Agent 先写 Three.js 代码；代码渲染出一版预演；预演加上参考图，再交给 MiniMax-H3 出片。整个过程里模型全程冻结，不动参数。
分工很清楚：空间、时间、物理这些需要精确的东西，交给代码来定，是确定性的；外观、质感这些，交给视频模型去发挥，是概率性的。各干各擅长的事。
这背后是个正在发生的转变：通用大模型正在从「生成器」变成「控制层」。这条路能不能跟 Seedance 打一打，还得看后续的实际效果。
正文完