超越端到端视频模型：基于LLM的教育视频生成多智能体系统
人工智能
2026-02-13 v1 计算与语言
摘要
虽然最近的端到端视频生成模型在视觉导向内容创建方面表现突出，但在需要严格逻辑严谨性和精确知识表征的场景（如教学和教育媒体）仍受限。为此，我们提出LAVES——一个层次化LLM驱动的多智能体系统，用于从教育问题生成高质量教学视频。LAVES将教育视频生成建模为多目标任务，同时要求正确的逐步推理、教育上连贯的叙述、语义忠实的视觉演示以及精确的音视频对齐。为克服现有方法的局限性——包括低的程序保真度、高的生产成本和有限的可控性——LAVES将生成工作流程分解为由中心编排智能体协调的专用智能体，明确的质量门槛和迭代批评机制。具体而言，编排智能体监督负责严谨问题解决的Solution智能体、产生可执行可视化代码的Illustration智能体，以及面向学习者的教学脚本Narration智能体。此外，所有来自工作智能体的输出都受到语义批评、基于规则的约束和工具性编译检查的约束。LAVES不直接合成像素，而是构建结构化的可执行视频脚本，通过模板驱动的装配规则确定性地编译为同步的视觉和叙述，实现无需人工编辑的全自动生产。 在大规模部署中，LAVES实现了日均超过100万个视频的吞吐量，相较于当前行业标准方法实现了超过95%的成本降低，同时保持高接受率。
引用
@article{arxiv.2602.11790,
title = {Beyond End-to-End Video Models: An LLM-Based Multi-Agent System for Educational Video Generation},
author = {Lingyong Yan and Jiulong Wu and Dong Xie and Weixian Shi and Deguo Xia and Jizhou Huang},
journal= {arXiv preprint arXiv:2602.11790},
year = {2026}
}
备注
For more information, visit the project website: https://robitsg.github.io/LASEV/