研究者发布基于Qwen3-VL的VideoGen-Agent

2026年10月16日，AGI Hunt 报道，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，将视频生成从单次 prompt 改为多轮工具使用循环。该 agent 先调用检索、生成、验证类工具，涵盖文本搜索、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视频。训练上分两步：先用监督微调（SFT）建立工具使用能力，再进行多轮强化。截至本条报道，这是该事件唯一的公开信息，暂无后续进展或与之冲突的说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。