Les générateurs vidéo par IA savent rendre les choses réalistes mais suivent mal les consignes précises : où la voiture tourne, à quelle hauteur se trouve la caméra, quand la porte s'ouvre. Une solution consiste à leur fournir d'abord une animation 3D sommaire, un proxy gris qui fixe la composition, le mouvement et la caméra, et à laisser le modèle peindre les détails réalistes par-dessus. VibePrevisBench, une prépublication de Kling AI avec Tianjin University et d'autres partenaires, mesure la capacité des agents de code à construire ces proxies dans Blender.
Chacune de ses 242 tâches donne à l'agent une consigne : un scénario, une série de photos, la première image d'une scène à prolonger ou une vidéo de référence. L'agent écrit du code Blender pour créer une scène 4D, c'est-à-dire une scène 3D qui évolue dans le temps, puis en fait le rendu. La notation a deux volets. Une vérification à base de règles relance le code et compare la scène exportée à des faits de référence cachés selon neuf dimensions. Un modèle vision-langage juge ensuite si les faits validés sont réellement visibles dans la vidéo.
GPT-6 Astra arrive en tête des 11 agents avec 77,7, devant GPT-6.1 Sol à 76,1, Gemini 4 Argon à 75,0 et Claude Opus 5.5 à 74,1 ; Muse Spark 1.3 est dernier à 61,1. Les rues animées sont le domaine le plus difficile pour tous les agents, et la narration la dimension visuelle la plus faible. Les trois constats des auteurs : la compréhension visuelle de l'espace et des mouvements de caméra départage les agents ; tous maîtrisent les plans de base et la mise en scène mais échouent sur les demandes difficiles ; et les agents regardent leurs propres rendus sans presque jamais corriger ce qui ne va pas.
Les coûts varient fortement. Astra a coûté en moyenne 32,59 $ par tâche, contre 7,82 $ pour Opus 5.5, 6,71 $ pour GPT-6.1 Sol et 4,45 $ pour Gemini 4 Argon. Plus de tours allaient de pair avec des scores plus bas. Si vous pilotez Blender avec un agent, par exemple via MCP for Blender, le conseil pratique est de lui faire vérifier son rendu point par point par rapport à la consigne.
Le hic : c'est une prépublication d'une entreprise vidéo qui a intérêt au résultat, et le juge visuel est lui-même un modèle, avec ses propres angles morts. Deux exemples montrent des erreurs du proxy qui passent dans la vidéo finale, mais leur fréquence n'a pas été mesurée.