这项由中国传媒大学媒体信息与内容出产钻研组（MIPG）结合新加坡国立大学、USEIT AI共同实现的钻研，于2026年5月以预印本大局颁布，论文编号为arXiv:2605.19484。感兴致的读者可通过该编号查找齐全论文。
你有没有想过，用AI天生几段视频素材之后，下一步要做什么 ？天生视频这件事，AI已经越来越严害了——用Keling、即梦这样的工具，输入一段文字描述，几秒钟就能天生一段视频片段。但"天生片段"和"做出一部齐全的视频"之间，还隔着一座大山：你得把这些素材导入专业软件，剪辑、调色、加特效、对齐音频，而后能力导出制品。这个过程对通常人来说费时费劲，对AI来说同样是个巨大的挑战。
正是为了测试AI是否真的能胜任这项工作，钻研团队构建了一个叫做 **CutVerse** 的测试平台。这个平台专门用来考验AI智能体（也就是可能自主操作电脑的AI法式）在真实专业视频编纂软件中的现实阐发。测试了局说真话有些令人哭笑不得——即就是当今最强的AI模型，在复杂的视频后期造作工作上，成功率也只有36%左右。这意味着，让AI独立实现一个专业视频项目，目前还远约有到"随叫随用"的水平。
钻研团队还借此提出了一个新的创作范式，他们称之为"氛围剪辑"（Vibe Cutting）：AI天生工具掌管提供原始素材，AI智能体掌管在专业软件里实现后续的所有编纂工作，整个流程从创意到成片，尽可能削减人为过问。这是一个很有吸引力的愿景，但从测试数据来看，通往这个愿景的路还很长。
在会商CutVerse之前，有必要先搞明显"AI智能体操作电脑"这件事的布景。钻研领域有一类专门的AI，不是用来天生图片或回覆问题的，而是可能像人一样盯着电脑屏幕、移动鼠标、点击按钮、输入键盘，从而实现各类电脑操作工作。这类AI被称为"推算机使用智能体"（Computer Use Agent，简称CUA）。
近年来，这类AI在一些通例工作上阐发得相当不错，好比在网页上搜索信息、填写表格、整顿文件夹。就如统一个刚参与工作的新员工，处置日常行政工作没什么大问题。但当你把他推动一个专业的视频剪辑间，面对Adobe Premiere Pro那密密麻麻的界面，要求他实现一个蕴含调色、音频对齐、特效叠加的齐全项目时，情况就齐全分歧了。
专业视频软件的界面密度极高，光是After Effects的工具栏，就密密麻麻排着几十个没有文字标注的图标。操作流程极度长，一个单一的"给视频加一个转场成效"，可能必要先找到成效面板、搜索对应成效、把它拖到功夫轴的精确地位、双击打开参数设置、调整数值——任何一步犯错，整个操作就失败了。此表，这些操作还涉及多个软件之间的合作，好比先在ComfyUI里天生素材，再在Premiere里剪辑，再在DaVinci Resolve里调色，最后导出。这种跨软件的工作流程，对AI来说是一个全新的、极其难题的挑战。
现有的AI测试平台险些没有覆盖这个领域。大无数平台测试的是单一的网页操作或基础的文件治理，没有专门针对专业创意软件的系统性评测。CutVerse的出现，就是为了添补这个空缺。
钻研团队构建CutVerse的过程，有点像大学教授设计一门专业课的期末考试——既要覆盖所有沉要知识点，又要有足够的分辨度，还要保障考题真实反映现实工作中的需要。
整个过程从招募专业人员起头。钻研团队请来了10位在视频后期造作和AI创作工具上都有丰硕经验的专业创作者。这些人不是通常的兼职标注员，而是真正的行业从业者，他们的工作就是在Premiere Pro、After Effects这些软件里摸爬滚打。
这10位专业人员总共设计并录造了186个工作，涵盖7款专业软件：Adobe Premiere Pro、Adobe After Effects、Adobe Photoshop、DaVinci Resolve、即梦（JianYing）、可灵（Keling）和ComfyUI。这186个工作并不是随机堆砌的，而是依照真实的视频造作流程精心分类，分成了九大类别。
这九大类别从单一到复杂顺次是：软件启动与初始设置（最基础的操作，好比打开软件、新建项目）、预览与验证（查抄操作是否正确）、天生式工作流（在AI天生工具中使用提醒词）、资产导入与治理（把素材文件导入软件）、导出与交付（把制品导出）、功夫轴编纂与分列（在功夫轴上剪辑视频片段）、音频与节拍编纂（处置布景音乐、音效对齐）、成效与视觉调整（增长特效、色彩校对）、遮罩与追踪（在视频中对特定区域进行精密节造）。
每一个工作，专业人员在录造操作视频时，同时纪录下每一次鼠标点击和键盘按键的精确坐标和功夫。这些原始录像和操作日志随后被送进钻研团队开发的一套"解析器"（Parser）进行处置。这个解析器就像一个仔细的速记员，能把长达几分钟的操作录像，精确地分化成一步一步有意思的操作序列，每一步都标注着"这一步之前屏幕是什么状态"和"这一步之后屏幕产生了什么变动"。
更沉要的是，解析器还会把每个齐全工作拆分成若干个"里程碑"（Milestone）。好比爬一座山，最终指标是达到山顶，但沿途有几个必须经过的查抄站——通过了1号营地、2号营地，能力达到顶峰。每个里程碑都有配套的视觉问答题：在这个阶段，屏幕上应该出现什么 ？AI必须真正实现这个操作，而不仅仅是"宣称"自己实现了。
这套设计极度奇妙，由于它解决了一个评估AI的主题难题：若何判断AI是真的做对了，还是只是在说"我已经实现了" ？通过逐一查对每个里程碑的视觉状态，测试系统能精准定位AI在哪一步卡住了。
光有考题还不够，还必要一个真实的科场。钻研团队搭建了基于Windows虚构机的测试环境，每个工作起头时，虚构机城市从一个预先保留的精确状态（称为"查抄点"）启动，确保每次测试的肇始前提齐全一样，就像每次考试前把试卷整整齐齐摆在桌上，一路题都不多一路题都不少。
AI智能体在这个虚构机里的操作方式，和真人齐全一样：它能看到屏幕截图，而后决定下一步重点击哪里、要按哪个键。它无法使用任何"舞弊"伎俩——好比直接挪用软件的后盾接口、读取暗藏的文件数据——只能凭借"看屏幕"来操作，就像一个蒙着眼睛只能靠触摸来工作的人……不合，更正确地说，是只能靠眼睛但没有手的人——它能看见，而后发出指令，让虚构的鼠标和键盘执行作为。
在评估方面，钻研团队选取了"VLM作为裁判"的方式。当AI实现一个工作后，系统会用GPT-5.4和Claude-4.6-Opus两个壮大的说话模型来逐一查抄每个里程碑是否真的达成了——通过对比截图和预设的问答题来判断。为了验证这个自动评价系统的靠得住性，钻研团队还专门做了人为对照钻研：让专业人员和自动系统别离评价300个操作轨迹，了局两者的吻合率高达98.3%到99%�；痪浠八�，这套自动评价系统险些和专业人员的判断一样正确。
在正式汇报测试了局之前，先来感触一下这套标题标难度。整个数据集的录造功夫超过2.43幼时，蕴含3484个独立的操作作为，均匀每分钟产生23.8次操作。每个工作均匀必要18.73步操作能力实现，而最复杂的工作甚至必要239步。
作为对比，常见的网页操作类AI测试平台，工作均匀只必要几步到十几步。18.73步的均匀值已经远超这些平台，而239步的极端案例则相当于让AI自动实现一个必要人类操作者盯着屏幕专一工作将近4分钟的复杂项目。
再来看操作类型的散布，这个细节很能注明问题。在所有3484个操作中，鼠标在功夫轴上的操作占了总操作量的46.07%，而对图层和轨路的节造操作占了25.32%。这两类加起来超过70%的操作，都是对着那些像河道一样横跨屏幕的"功夫轴"进行的。功夫轴操作和网页上点击按钮齐全分歧——没有明确的天堑，没有尺度的标签，必要精确到像素级此外拖拽和定位。对AI来说，这不是"找到写着'确认'的按钮而后点击"，而是"找到功夫轴上第3.2秒的地位，而后在那里精确地剪断视频"。
九大类工作中，复杂度各有分歧。成效与视觉调整工作和遮罩追踪工作被象征为"极限难度"，前者均匀必要20.27步操作、耗时52.81秒，后者均匀必要25.40步、耗时更是高达72.98秒。相比之下，软件启动工作只需均匀7.56步、31.18秒，难度象征为"低"。这种差距清澈地勾画出一张专业视频造作技术的难度地图。
钻研团队拔取了5款代表性的AI模型参与测试，涵盖了目前业界最强的选手。其中有两款贸易关源模型：Anthropic公司的Claude-Opus-4.6和Google DeepMind的Gemini-3-flash；还有三款开源模型：阿里巴巴的Qwen3-32B、字节跳动旗下的UI-TARS-1.5-7B，以及美团的EvoCUA-32B。这5款模型代表了目前AI智能体领域的顶尖水平。
测试在统一的Windows 11 Pro虚构机环境下进行，每次测试起头时系统状态齐全一样。AI模型在每一步操作时，能看到当前屏幕截图和最近5次操作的汗青纪录，但不会得到"下一步应该做什么"的提醒——它必须自己判断。
然而，这些数字必要放在具体布景下才有意思。当钻研人员把工作按类型分隔来看时，画面就变得越发有趣——或者说越发凶残了。
在"法式性操作"类工作（蕴含软件启动、导出交付、资产治理、预览验证）上，所有模型阐发都相当杰出。以天生式工作流工作为例，5款模型全数获得了满分1.000，就是说每次测试全数成功。导出与交付工作中，Claude成功率达到1.000，其他模型也都在0.917左右。这些工作的共同特点是操作步骤相对固定、有明确的视觉反馈。
但当测试切换到"主题媒体编纂"类工作时，情况急转直下。遮罩与追踪工作中，UI-TARS的成功率跌至0.095——险些蹬宗十次里只有不到一次成功。就连阐发最好的Gemini在这类工作上也只有0.381，Claude只有0.286。成效与视觉调整工作中，Qwen的成功率只有0.207，意味着五次里只有约一次能成功。音频与节拍编纂工作中，Claude和Qwen的成功率都只有0.333。
这个落差惊人。就像一个可能纯熟操作电梯、自动门的机械人，一旦要求它拿起表科手术刀做精密操作，立刻就显得力不从心了。
CutVerse测试还揭示了一个极度有价值的发现，这个发现甚至比单纯的成功率数字更有洞察力。钻研团队同时纪录了"里程碑成功率"和"工作整体成功率"，而这两个数字之间存在显著的差距。
以音频与节拍编纂工作为例，Claude的里程碑成功率高达0.929，这意味着在这类工作的中央查抄点上，Claude有92.9%的概率都能通过。但Claude在这类工作上的整体成功率只有0.333。这就好比一个学生在期中考、期末大作业上都拿了高分，但最终综合成就却不合格——问题不是出在单个步骤上，而是出在能否把所有步骤串联起来、不犯任何谬误地实现整个流程上。
Gemini的情况类似：音频工作里程碑成功率0.786，但整体工作成功率只有0.500。这种"里程碑和工作之间的一致性缺口"在所有模型上都普遍存在，尤其在复杂编纂类工作中最为显著。
这个发现揭示了当前AI智能体的一个底子性弱点：它们可能实现单个操作步骤，但无法靠得住地在几十步、几百步的长序列操作中维持始终如一的正确性。任何一步犯错，后面的操作可能就全数乱套了。钻研团队还统计了各模型未能实现工作的比例——Claude未实现31.7%的工作，Gemini未实现32.8%，EvoCUA未实现48.4%，Qwen未实现51.6%，UI-TARS未实现55.9%。
第一种失败叫做"组件误认"。专业视频软件里有大量图标缜密分列在一路，好多图标既幼又没有文字注明，全靠状态来分辨。钻研团队发现，AI对那些常见的、有文字标注的按钮还算熟悉，但一旦遇到专业领域特有的工具图标——好比After Effects工具栏上的"Roto Brush"（旋转笔刷）图标——就很容易认错，点到了旁边的另一个工具上。论文中有一个具体制子：AI在尝试选择一个工具时，以为指标是"从左边数第13个图标"，但现实操作时点到了谬误的地位，底子没有激活必要的工具。
第二种失败叫做"空间定位禁绝"。视频功夫轴就像一把精密的尺子，上面密布着功夫刻度。要在功夫轴上精确的某一秒堵截视频，对人来说是驾轻就熟，但AI经�；岬阃帷盍思父鱿袼�，了局堵截的地位和预期相差了半秒甚至更多。这种误差在通常网页操作中不成问题，但在视频剪辑中，半秒的误差可能就意味着整个节拍齐全对不上。
第三种失败叫做"不足全局感知"。有个活泼的案例：AI在执行一个"把视频片段拖到功夫轴"的工作时，由于当前视图只显示了功夫轴的一幼部门，AI没有先放大视图查看全貌，就直接起头拖动。了局它以为功夫轴上还有空位，现实上那段视频已经存在了，最终把统一段视频沉复拖了进去，造成内容沉复的谬误。这就像一幼我在整顿书架时，眼睛只盯着面前一格，没有先看看旁边是否已经放了书。
第四种失败叫做"视觉反馈盲区引发的死循环"。好多操作在执行后，屏幕上不会立刻出现显著的变动——好比按下了某个快捷键，成效要等几步之后才会体现出来。这种情况下，AI由于看不到显著的"成功信号"，会误以为操作没有执行成功，因而反复执行同样的操作，陷入一个无休止的循环，把几十步的操作功夫全数浪费在反复点击统一个处所上，直达到到操作步数上限。
钻研团队还分软件统计了AI的阐发，这张数据表同样很有说服力� ？闪椋↘eling）这款AI视频天生工具的工作成功率最高，Claude和Gemini都达到了0.815到0.852。ComfyUI（一款节点式AI图像工作流工具）其次，Claude达到0.667。这两款工具的共同特点是：界面相对规整，操作以点击和输入文字为主，视觉结构清澈。
随着软件复杂度上升，成就就起头下滑。DaVinci Resolve（专业调色剪辑软件）的工作成功率在0.45到0.75之间，Premiere Pro在0.396到0.642之间，Photoshop在0.424到0.576之间，After Effects最低，Claude达到0.577，而Qwen和UI-TARS只有0.269。
After Effects是所有软件中难度最高的，它的均匀工作步数是14.81步，但每步操作的复杂度远超其他软件，好多操作必要同时按住多个键共同鼠标拖拽，还必要对软件内部的层级结构有深刻理解。这再一次印证了钻研团队的判断：专业创意软件的主题挑战不在于操作数量，而在于操作的精度、协调性和对专业知识的依赖。
钻研团队在论文中提出了"氛围剪辑"（Vibe Cutting）这个概想，描述的是这样一个未来场景：用户提出创作需要（好比"助我做一个3分钟的恐龙大战哥斯拉视频"），AI天生工具自动天生所需的视频素材，而后AI智能体自动进入专业剪辑软件，实现所有的后期造作工作，最终交付一个能够直接颁布的视频。整个过程，用户险些不必要着手。
这个愿景若是实现，意味着通常人也能造作出专业级此外视频内容，视频创作的门槛将大幅降低。这不只是对幼我创作者的利好，对告白造作、影视工业、教育内容、贸易营销来说都是颠覆性的扭转。
然而，CutVerse的测试了局清澈地通知我们：这一天还没有到来。当前最强的AI智能体，在专业视频软件中的阐发就像一个刚入行的实习生——处置单一的、有明确步骤的工作还行，但一旦面对必要专业判断、精密操作、长功夫专一的复杂工作，失误率就急剧攀升。
从钻研的角度来看，CutVerse的价值不仅在于揭示了这个差距的存在，更在于精确定位了差距在哪里：不是AI不够"聪明"，而是AI在精确空间定位、长序列操作靠得住性、复杂界面鉴别和跨模态协调上存在系统性的短板。这些发现为未来改进AI智能体指了然方向。
归根结底，这项钻研做了一件极度求实的事：它不是在预测"AI未来将若何扭转世界"，而是在丈量"AI此刻到底能做什么、还不能做什么"。36%的整体成功率，听起来可能有点低，但放在这样一个从未被系统性测试过的专业领域里，它既是一个恳切的评估基准，也是一个明确的奋斗指标。
对于通常的视频创作者来说，短期内还不用不安AI会把你的工作全数代替——至少在那些必要精密操作和专业判断的部门，人类的经验和眼光依然是不成代替的。但若是你是一个有兴致深刻相识这个领域的钻研者或工程师，CutVerse提供了一个极有价值的测试平台和改进路线图。
A：CutVerse涵盖了7款专业软件，别离是Adobe Premiere Pro、Adobe After Effects、Adobe Photoshop、DaVinci Resolve、即梦（JianYing）、可灵（Keling）和ComfyUI。测试工作分为九大类别，蕴含软件启动、功夫轴编纂、音频处置、成效调整、遮罩追踪等，共186幼我工验证工作。
A：钻研发现了四个重要失败原因：一是认错专业工具图标（尤其是没有文字标注的图标）；二是在功夫轴上的操作地位不够精准，差几个像素就会导致剪辑点偏移；三是不足对整个工作区的全局感知，只盯着部门操作而忽略整体状态；四是当操作执行后屏幕没有显著变动时，AI会误以为操作失败，反复执行统一个作为陷入死循环。
A：在186个工作的整体测试中，Claude-Opus-4.6阐发最佳，整体工作成功率为68.3%，Gemini-3-flash紧随其后达到67.2%。但必要把稳的是，这个成就在复杂的主题编纂工作上会大幅下滑，例如在遮罩追踪类工作中，Claude的成功率只有28.6%，Gemini也只有38.1%。
1V1异国一见钟情的小说36氪获悉，具身智能企业“原力灵机”近期完成新一轮融资，资方主要为数家大模型公司，包括智谱、阶跃星辰、商汤科技、阿里。此外，华勤、上汽恒旭等产业投资方持续加注。新闻发布会上的阿利亚西姆褪去赛场之上的锐利，言语间满是疲惫与沮丧，罕见袒露职业生涯的困顿：“我的网球生涯如今陷入艰难处境，今天输球让我心力交瘁。”1V1异国一见钟情的小说里番动漫据界面新闻报道，黄仁勋约于当天下午1时许通过金浦机场入境，第一站便是前往韩国电子竞技队T1主题网吧“T1 BASECAMP”，与T1队员们互动。队长Faker（李相赫）等5名队员全部出席，双方进行了合影留念，现场比出战队各种经典手势。这就像同一套管理制度在销售团队和研发团队里效果不同——工作性质本身就决定了哪种协作方式更有效。数学任务有清晰的对错标准，答案要么对要么错，训练信号非常明确；代码任务虽然也有测试用例来判断对错，但解题路径的多样性更高，任务本身也更复杂。这种任务特性的差异，会通过奖励信号传导到每个角色的训练过程中，造成不同的结果。
20260607 ? 1V1异国一见钟情的小说他进一步表示，自己目前心态较为平稳：“现在我没有给自己施加任何额外压力。我把世界杯前的比赛当作一种准备过程，希望在过程中保持状态并享受比赛。能够进入国家队本身就是一种肯定，虽然有时候身体情况会让我感到一些不确定性，但我始终相信，一旦进入关键时刻，我会为比利时队挺身而出的。”无人车站作为东风与华为乾崑深化合作后的首款落地车型，这款定位大六座新能源 SUV 产品，是目前 25 万价位区间内唯一全套搭载华为乾崑六大智能系统的车型，新车提供纯电、增程两种动力版本，计划在 2026 年第三季度正式投放市场。
20260607 ? 1V1异国一见钟情的小说对于科技赋能，吴清强调中国基金业要加强科技赋能，稳妥有序探索运用人工智能、大数据等新技术，有效赋能投资投研、客户服务、内控管理等重点场景，加快数字化、智能化转型。父女三人同乐女儿红幼说原著叫什么更重要的是，王钰栋对留洋也有高要求。去年6月份，他曾如此回应留洋：“如果踢不上球，去干啥呢。等完全把中超踢明白了再出去，也不是不行。我现在去欧洲也不一定能踢上球，还不如在中超再多踢2年。去欧洲踢球没有他们想象地那么简单。”
京公网安备11010202000001号
