Timeline-Bench

新的Timeline-Bench基准揭示AI代理在视频编辑工艺方面存在困难

一个名为Timeline-Bench的新基准已被开发出来，用于评估AI代理在真实的视频编辑任务上的表现，要求它们将原始素材转换为最终视频。该基准包含56个任务，每个任务都有源素材、交付格式和内容的特定测试，以及由专业视频编辑校准的质量评估。在测试中，即使是表现最好的代理GPT-6 Astra与Codex的组合，也只能完成26.8%的任务，大多数失败归因于缺乏感知到的工艺而非技术缺陷。