Los generadores de vídeo con IA son buenos haciendo que las cosas parezcan reales y malos siguiendo indicaciones exactas: dónde gira el coche, a qué altura está la cámara, cuándo se abre la puerta. Una solución es darles primero una animación 3D básica, un proxy en gris que fija composición, movimiento y cámara, y dejar que el modelo pinte encima el detalle realista. VibePrevisBench, un preprint de Kling AI con Tianjin University y otros socios, mide lo bien que los agentes de código construyen esos proxies en Blender.
Cada una de sus 242 tareas da al agente un encargo, que puede ser un guion, un conjunto de fotos, el primer fotograma de una escena que continuar o un vídeo de referencia. El agente escribe código de Blender para crear una escena 4D, es decir, una escena 3D que cambia con el tiempo, y la renderiza. La puntuación tiene dos partes. Una comprobación basada en reglas vuelve a ejecutar el código y compara la escena exportada con datos ocultos de referencia en nueve dimensiones. Después, un modelo de visión y lenguaje juzga si los datos que pasaron se ven de verdad en el vídeo.
GPT-6 Astra lideró a los 11 agentes con 77,7, seguido de GPT-6.1 Sol con 76,1, Gemini 4 Argon con 75,0 y Claude Opus 5.5 con 74,1; Muse Spark 1.3 quedó último con 61,1. Las calles concurridas fueron el dominio más difícil para todos los agentes, y la narrativa la dimensión visual más floja. Las tres conclusiones de los autores: la comprensión visual del espacio y del movimiento de cámara separa a los agentes; todos dominan el trabajo de cámara básico y la puesta en escena, pero fallan en peticiones difíciles; y los agentes miran sus propios renders pero rara vez corrigen lo que está mal.
El coste varía mucho. Astra costó de media 32,59 $ por tarea, frente a 7,82 $ de Opus 5.5, 6,71 $ de GPT-6.1 Sol y 4,45 $ de Gemini 4 Argon. Más turnos iban con notas más bajas. Para quien maneje Blender con un agente, por ejemplo con MCP for Blender, el consejo práctico es hacer que el agente revise su render punto por punto frente al encargo.
La pega: es un preprint de una empresa de vídeo interesada en el resultado, y el juez visual es también un modelo, con sus propios puntos ciegos. Dos ejemplos muestran errores del proxy que pasan al vídeo final, pero no se midió con qué frecuencia ocurre.