微软开源 Code Video Model：用代码生成视频

微软开源 Code Video Model 模型：用代码生成视频

微软研究院推出了一套新的视频生成方案：Code Video Model（代码视频模型）。

它让 AI 生成视频少一些“开盲盒”，先用写代码的方式，明确画面布局、动作轨迹和物理运动

到了后面的细节打磨阶段，就撤掉代码参考，根据参考图片去还原真实质感和细节

学电影拍片，“先画火柴人骨架，再让画师上色”

这套技术借鉴了传统电影工业中的前期可视化预览（Previs）机制：先用简易三维场景预演机位、演员走位和镜头节奏，确认安排后，再投入正式拍摄与后期制作。

你给它一句提示词，它先写一段代码（用类似网页 3D 引擎），在虚拟空间里把舞台、桌椅、角色和摄像机机位精确摆好，连运动轨迹和物理碰撞公式都算好。

这时会先跑出一个类似“低配游戏画面”的动态小样。如果你觉得椅子放歪了，改一行代码立刻就能纠正。

有了低精度的代码视频后，怎样把它变成逼真的最终成片？

这里存在一个关键挑战：如果直接把代码视频作为参考条件全程输入给视频扩散模型，AI 容易连同它的简陋几何和平坦材质一起模仿，导致成片仍有“塑料感”。

为了解决这个问题，研究团队提出了一种无需重新训练的调度机制：早期步数条件注入（Early-step Conditioning）。

只在扩散采样的最前几步让模型参考代码视频来“定构图和动作骨架”；到了后面的细节打磨阶段，就撤掉代码参考，全力根据参考图片去还原真实质感和细节。