Geradores de vídeo com IA são bons em fazer as coisas parecerem reais e ruins em seguir instruções exatas: onde o carro vira, a que altura fica a câmera, quando a porta abre. Uma saída é dar a eles primeiro uma animação 3D simples, um proxy cinza que fixa composição, movimento e câmera, e deixar o modelo pintar o detalhe realista por cima. O VibePrevisBench, preprint da Kling AI com a Tianjin University e outros parceiros, testa o quanto agentes de código conseguem montar esses proxies no Blender.
Cada uma das 242 tarefas dá ao agente um briefing, que pode ser um roteiro, um conjunto de fotos, o primeiro quadro de uma cena a continuar ou um vídeo de referência. O agente escreve código do Blender para montar uma cena 4D, ou seja, uma cena 3D que muda com o tempo, e a renderiza. A pontuação tem duas partes. Uma checagem baseada em regras roda o código de novo e compara a cena exportada com fatos de referência ocultos em nove dimensões. Depois, um modelo de visão e linguagem julga se os fatos aprovados aparecem de fato no vídeo.
O GPT-6 Astra liderou os 11 agentes com 77,7, seguido do GPT-6.1 Sol com 76,1, do Gemini 4 Argon com 75,0 e do Claude Opus 5.5 com 74,1; o Muse Spark 1.3 ficou em último, com 61,1. Ruas movimentadas foram o domínio mais difícil para todos os agentes, e a narrativa a dimensão visual mais fraca. As três conclusões dos autores: a compreensão visual de espaço e movimento de câmera separa os agentes; todos dominam enquadramento básico e encenação, mas falham em pedidos difíceis; e os agentes olham seus próprios renders, mas raramente corrigem o que está errado.
O custo varia muito. O Astra custou em média US$ 32,59 por tarefa, contra US$ 7,82 do Opus 5.5, US$ 6,71 do GPT-6.1 Sol e US$ 4,45 do Gemini 4 Argon. Mais turnos vinham com notas mais baixas. Para quem controla o Blender por meio de um agente, por exemplo com o MCP for Blender, o conselho prático é fazer o agente conferir o render item por item contra o briefing.
O porém: é um preprint de uma empresa de vídeo com interesse no resultado, e o juiz visual também é um modelo, com seus próprios pontos cegos. Dois exemplos mostram erros do proxy chegando ao vídeo final, mas não se mediu com que frequência isso acontece.