VideoGen-Agent：基于 Qwen3-VL 的 8B 多模态 Agent 用工具循环改写视频生成

研究者发布 VideoGen-Agent，一个基于 Qwen3-VL-8B-Instruct 构建的可训练 8B 多模态 agent，把视频生成从单次 prompt 改成多轮工具使用循环。该 agent 先调用检索、生成、验证类工具（文本/图像搜索、物理运动仿真、物体检测、深度估计等），再根据工具返回结果决策如何生成。训练上先用监督微调（SFT）建立工具使用能力，再进行多轮强化。