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%。
《《教师日记》电影完整版》他以Anthropic为例：尽管OpenAI一度声称在算力资源上占优，但Anthropic凭借持续的商业收入和融资能力，最终与SpaceX达成大额算力采购协议，证明了现金流充裕者可以在二级市场持续获取所需计算资源。一个任务平均消耗多少Token，同一任务平均重试几次，最后有没有转人工，AI生成的结果有没有被人重写，代码有没有通过测试，这些数字会比“我们服务了多少次请求”更接近公司质量。《《教师日记》电影完整版》香蕉桃子的禁忌不过，哈兰德的父亲阿尔菲没有想到的是，里克尔梅会在电视节目中公开说出自己儿子的名字。这一情况让他完全措手不及，也引发了后续声明。根据法布里齐奥-罗马诺的消息，这份声明由阿尔菲和拉斐拉-皮门塔共同发出。尽管如此，报道称双方之间的协议确实存在，而真正的问题将在本周日出现。如果里克尔梅成功击败弗洛伦蒂诺-佩雷斯，这一情况将进入新的阶段。一只手持小风扇的“出海记”，意外成了上海口岸跨境电商海运爆发式增长的生动注脚——今年前5个月，上海口岸跨境电商海运出口货值已超去年全年，累计发运包裹超520万个。
20260607 ? 《《教师日记》电影完整版》为了彻底拆解这一盲区，来自南京航空航天大学、浙江大学的研究团队推出了LITMUS（LLM-agentsIn-OSTesting forMeasuringUnsafeSubversion）——首个将真实OS环境行为越狱、语义-物理双层验证与多攻击范式系统整合的智能体安全评测基准，首次在行为越狱中系统定义并量化这种「行口不一」的现象——执行幻觉（Execution Hallucination, EH）。《五十岁阿姨免费旁观电视剧大全百度》曾在近40年前预言“历史已终结”、认为西方的政治制度将引领世界的美国政治学者福山，近日在接受德国《法兰克福汇报》采访时承认，他当年的预言是错误的，他低估了崛起中的中国。
20260607 ? 《《教师日记》电影完整版》声明称，此事件发生后，凌晨2时，美军无人机向格什姆岛的一处通信设施和锡里克的一处港口发射弹药。为回应美军侵略行径，革命卫队航空航天部队立即发射弹道导弹，打击了位于科威特的美军空军基地以及位于巴林的美国海军第五舰队的重要设施。《孤男寡女免费旁观高清电视剧狂飙女》假设你要训练一个世界级的视频生成模型，去网上爬取了 10 亿条视频，每条平均 5MB——这已经是相当保守的估计了。光这一项，你就需要 5PB（拍字节）的存储空间。按照 AWS S3 的定价，5PB 标准存储，每个月大约 10 万美元。
京公网安备11010202000001号
