CodeCap-Bench: Can Code Serve as a Good Video Caption? · 323 段结构化 2D 视频
观察原视频座位布局、滚动、悬停与选择
写程序形状 + 布局规则 + 时间函数
浏览器执行在每个时刻重建可见画面
检查保留内容整体画面、对象位置、具体事件
论文有两个问题：这种表示对下游任务是否有用？当前模型能否把它写准确？CodeCap-Bench 评测模型能力，未进行 SFT、RL 或蒸馏。
先筛适合程序表达的内容
来自 Bilibili、YouTube、Behance、Vimeo。
保留 2D 布局、形状、文字和显式轨迹。
排除复杂 3D 视角、纹理主导外观与密集粒子动态。
结论首先适用于这批可程序化的视频。
保留 2D 布局、形状、文字和显式轨迹。
排除复杂 3D 视角、纹理主导外观与密集粒子动态。
结论首先适用于这批可程序化的视频。
Figure 2，p.4 左侧细节裁切 · Tang et al. · CC BY 4.0原文 ↗
关键描述带时间范围，对象记录可见区间
focal point：关键静态内容或动态过程，附描述和时间范围。
对象：可见时间、逐帧框；用代表帧的框和正负点引导分割。
人类复核描述、时间、身份和空间边界。初稿来源、人数与一致性未明确披露。
对象：可见时间、逐帧框；用代表帧的框和正负点引导分割。
人类复核描述、时间、身份和空间边界。初稿来源、人数与一致性未明确披露。
Figure 2，p.4 右侧细节裁切 · Tang et al. · CC BY 4.0原文 ↗
323 段，不代表所有类型的视频
19.0 秒
视频平均时长，median 17 秒
16.8 个对象
每视频平均
8.6 个 focal points
带时间范围的关键内容描述，区分静态与动态
Figure 3，p.5 · CC BY 4.0；原始池大小、标注者人数及一致性未披露原文 ↗
气泡、年份和指针：先测量，再同步动画
按颜色分割，拟合气泡中心与半径
相邻帧年份区域差分，定位切换时刻
模板匹配，逐帧记录指针坐标
Figure 9，p.10 左下细节裁切 · CC BY 4.0；GPT-6-astra + Codex原文 ↗
10 秒处：滑块快了一年
在相同时间比较原视频与首次渲染：
参考滑块在 1985
首次渲染在 1986
Agent 将滑块左移，对齐后验证播放。
论文展示了这次修正；没有公布该 case 的逐项官方得分和完整代码。
参考滑块在 1985
首次渲染在 1986
Agent 将滑块左移，对齐后验证播放。
论文展示了这次修正；没有公布该 case 的逐项官方得分和完整代码。
Figure 9，p.10 右下细节裁切 · CC BY 4.0；§4.3.5原文 ↗
增加思考有收益，成本和耗时需要同时看
GPT-6-sol / Pi：medium → xhigh，保留 47.53 → 63.29，每视频成本 $0.315 → $1.409。Qwen 的高强度增益较小，且 xhigh 超时上限放宽到 7200 秒。
Figure 5，p.8 · CC BY 4.0；Appendix A原文 ↗
83.02% 对 72.64%：比较的是两条输入管线
100 段来自 DVBench、VideoMathQA、GUI-World 的视频。
Gemini-3.8-flash 看代码渲染视频或自然语言文本回答原标注问题。
100 是视频数，精确问题分母未报告。
Gemini-3.8-flash 看代码渲染视频或自然语言文本回答原标注问题。
100 是视频数，精确问题分母未报告。
Opus-5 的差值按原表重算为 10.38 个百分点。这不是把代码文本和描述文本交给同一个文本问答器的控制实验。
§4.3.6、Table 2，p.10 · CC BY 4.0原文 ↗
代码直接渲染，与描述经 Seedance 重建比较
AS：DreamSim 外观特征
MPS：CoTracker3 位移方向与大小
KSS：匹配镜头中帧的 SSIM
先镜头内，再视频间平均。三模型各项代码管线较高，但渲染方式与额外生成器不同，长度和成本匹配未披露。
MPS：CoTracker3 位移方向与大小
KSS：匹配镜头中帧的 SSIM
先镜头内，再视频间平均。三模型各项代码管线较高，但渲染方式与额外生成器不同，长度和成本匹配未披露。
人工校准：50 原视频、每类 10 段、四模型输出，视频级 Pearson r = 0.942。高相关不能证明每个短事件都判断正确。
§4.3.4、§4.3.6；Table 3，p.11 · CC BY 4.0原文 ↗