AVA-Encoder：面向智能体原生视频表征学习框架

arXiv：2608.12313v1

摘要

当前创意智能体难以从成熟人类影视作品中学习创作逻辑，核心瓶颈是缺少一套智能体原生结构化视频表征：该表征需要同时完整留存影片细节、适配大模型推理、支持灵活编辑。本文提出AVA-Encoder（智能体原生视频自编码框架），将原始视频转换为知识图谱（K(\mathcal{G})）表征并实现完整视频重建。
该图谱以分层文本节点为核心，配套多媒体素材存储层；通过分类边记录剧情、人物、镜头、音视频之间的关联关系，天然支持智能体查询、修改、复用。基于重建误差设计双循环文本梯度优化机制：外层循环完成与数据无关的编码策略伪训练，内层循环针对单条视频做数据驱动的知识图谱精细化修正。
在标准化重建基准测试中，AVA-Encoder相较最优基线整体指标提升20.7个百分点；仅使用优化后的编码策略（关闭图谱内层修正）时，对比人工精心调校的提示词方案，指标提升1.4个百分点，同时提示词token用量降低74.3%。
本文开源完整AVA-Encoder框架、标准化智能体视频重建评测基准、全球首套电影知识图谱数据集；配套图编辑工具可实现跨镜头一致性视频修改。

目录

1. 引言
   2 相关工作
   2.1 智能体视频生成系统
   2.2 智能体原生视频表征
   3 任务定义
   3.1 问题形式化
   3.2 优化目标
   4 方法：AVA-Encoder整体架构
   4.1 智能体视频编码器
   4.2 知识图谱表征结构
   4.3 双循环文本梯度演化机制
   4.3.1 重建误差与两类优化指标
   4.3.2 外层循环：数据无关编码策略伪训练
   4.3.3 内层循环：数据驱动图谱精细化修正
   5 实验
   5.1 实验配置
   5.1.1 数据集
   5.1.2 模型配置
   5.1.3 评测体系
   5.1.4 对比基线
   5.1.5 自动化图编辑实验
   5.1.6 研究问题（RQ）设计
   5.2 RQ1：视频重建保真度整体结果
   5.3 RQ2：双循环模块独立贡献与消融
   5.3.1 分层理解与策略迭代效果
   5.3.2 内外循环独立增益
   5.3.3 接纳门控消融实验
   5.4 RQ3：知识图谱可编辑性实验
   5.5 RQ4：下游视频生成复用实验
   6 结论
   参考文献
   附录
   A 文本梯度与AVA-Encoder自优化原理
   A.1 Text(\mathcal{G})rad基础理论
   A.2 AVA-Encoder结构化文本梯度实现
   B 重建评测全套指标
   B.1 四大评测维度与八大评估方向
   B.2 直接视频/关键帧打分规则
   B.3 盲反向字幕打分规则
   B.4 重建评测专用系统提示词
   B.5 基准分数聚合计算方式
   B.6 人工评测对齐验证
   C 循环优化所用重建奖励函数
   C.1 奖励函数配套提示词
   C.2 奖励函数在双循环中的调用逻辑
   D 双循环接纳门控细则
   D.1 关键帧图谱修正门控
   D.2 视频镜头图谱修正门控
   D.3 编码策略伪训练接纳门控
   D.4 编码策略伪训练完整流程
   E 智能体编码器全套系统提示词
   F 基线模型适配与公平性控制方案
   F.1 VideoAnalyzer基线适配
   F.2 Storyboard Studio基线适配
   F.3 soap2soap基线适配
   F.4 原始像素禁用规则
   F.5 表征token预算约束
   F.6 生成器共享与时序对齐方案
   (\mathcal{G}) 数据集与可复现性完整说明
   (\mathcal{G}).1 开源电影知识图谱数据集
   (\mathcal{G}).2 伪训练/评测视频库
   (\mathcal{G}).2.1 伪训练视频集
   (\mathcal{G}).2.2 评测视频集
   H 细粒度重建定量结果附表
   I 消融实验定义与指标差值
   J 知识图谱构建与编辑完整规范
   J.1 图谱存储范式
   J.2 图谱构建与修改传播机制
   K 额外定性可视化结果
   K.1 多方法重建对比图
   K.2 图谱拓扑编辑案例
   K.2.1 素材闭合规则
   K.2.2 语义一致性校验
   K.2.3 分层更新逻辑
   K.2.4 按编辑类型传播规则
   L 下游故事视频评测细则
   M 全套系统原始提示词文本

1 引言

近两年大模型驱动的视频智能体已实现剧本撰写、分镜设计、短视频生成，但现有系统难以产出院线级完整影视作品。核心短板是缺少完整影视创作规划能力，无法统筹剧本、人物、镜头、视听多维度复杂决策。
高质量专业影片蕴含海量编剧、人物塑造、运镜、节奏、视听协调知识，但现有智能体无法直接学习影片经验：原始视频是密集多模态混合载体，而智能体依靠文本、图谱、规划等结构化信息完成推理，二者存在天然表征鸿沟。
理想的智能原生视频表征需同时满足三大条件：

1. 智能体可读：文本化结构，大模型可直接解析；
2. 智能体可操作：支持检索、局部修改、批量更新；
3. 高保真：完整留存重建所需全部视听、叙事信息。

现有表征方案存在明显短板：

1. 底层像素/视频嵌入：视觉信息完整，但智能体无法直接解读、修改；
2. 线性字幕文本：易丢失人物关系、时序事件、跨模态关联等结构化信息；
3. 传统场景图/视频知识图谱：仅适配检索、问答等理解任务，丢失大量生成所需细粒度视听细节。

针对上述痛点，本文设计电影知识图谱表征：将故事、事件、镜头分层存储结构化文本；人物、场景、物体、运镜、音频等状态节点配套关联素材层；通过分类边记录跨层级、跨模态依赖。修改局部节点后可自动同步所有关联镜头素材。
基于该图谱，本文提出AVA-Encoder自编码框架：输入视频编码为知识图谱，再固定解码器完成视频重建；以重建误差作为优化信号，分别迭代全局共享编码策略、单视频专属图谱。
本文三大核心贡献：

1. 提出智能体视频自编码范式AVA-Encoder，设计双循环文本梯度优化机制；在标准基准上整体重建指标达49.0%，领先最优基线20.7个百分点；仅使用外层伪训练策略时，提示词token相比人工方案减少74.3%，指标提升1.4%；
2. 搭建全球首套面向重建保真度的视频表征评测基准，包含4大评测维度、8类影视评估方向；自动评测结果与人工标注匹配度97.3%；
3. 开源首套大规模电影知识图谱数据集与配套图编辑工具，支持可控视频改写、影片混剪、下游生成模型复用。

图1 AVA-Encoder完整流程：
(a) 自编码闭环：原始视频经智能编码器生成知识图谱，固定解码器重建视频；重建残差分别触发外层策略伪训练、内层图谱精细化修正；
(b) 分层智能编码器：依次完成影片、镜头、关键帧三级理解，全局上下文注入+人物/场景/物体注册库；
© 知识图谱分层结构：故事-事件-镜头层级，配套多模态素材层，支持子图拓扑联动编辑。

2 相关工作

2.1 智能体视频生成系统

现有LLM驱动视频智能体依靠规划、工具调度完成生成/改写，分为多智能协作生成框架、单模型编辑工具两大类。但现有系统缺少标准化高质量影片学习素材，无法复用专业影视的成熟创作逻辑。AVA-Encoder将原始影片转化为可推理知识图谱，提供完整创作记录，支持智能体学习与联动编辑。

2.2 智能体原生视频表征

现有表征分为三类：

1. 底层像素/隐向量：信息完整，但无法直接编辑；
2. 线性字幕文本：丢失结构化关联；
3. 视频场景图：仅面向检索、问答，缺失生成所需视听细节。
   本文AVA-Encoder图谱以重建保真度为优化目标，专为视频生成设计，完整留存叙事、镜头、色彩等创作信息。

3 任务定义

本文将影视创作建模为智能体自编码任务，输入原始视频，输出可编辑知识图谱表征，再通过固定解码器还原视频。

3.1 问题形式化

1. 智能体视频编码器E
   由三层策略P = ( P f i l m , P s h o t , P k f ) P=(P_{film},P_{shot},P_{kf})P=(Pfilm​,Pshot​,Pkf​)（影片/镜头/关键帧提示词）控制，输入视频V VV输出知识图谱KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲\mathcal{G}\)：
   KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲\(\mathcal{G}\)…
2. 知识图谱隐空间KaTeX parse error: Can't use function '\(' in math mode at position 10: \mathcal{\̲(̲\mathcal{G}\)}
   文本为核心分层结构：故事/事件/镜头三层叙事节点，人物/场景/物体/运镜/音频状态节点；图像、音频、成片仅作为关联素材存储，原始像素不参与表征存储。
3. 固定解码器Dec
   两阶段固定生成管线：文本生成关键帧、关键帧生成完整镜头；全程不读取原始视频像素，仅依托图谱文本素材重建：
   KaTeX parse error: Can't use function '\(' in math mode at position 23: …htarrow{E(;P)} \̲(̲\mathcal{G}\) \…

3.2 优化目标

1. 外层循环（数据无关策略伪训练）
   使用批量训练视频{ V n } \{V_n\}{Vn​}优化镜头级编码策略P s h o t P_{shot}Pshot​，影片、关键帧策略与生成模型全部冻结。最大化单视频平均重建奖励：
   KaTeX parse error: Can't use function '\(' in math mode at position 90: …}\sum_{n=1}^{L}\̲(̲R_{\mathrm{rewa…
2. 内层循环（数据驱动图谱修正）
   编码策略冻结后，仅优化当前输入视频专属图谱，在可达图谱空间内最大化重建奖励：
   KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲\mathcal{G}\)_{…
   内外循环不同时更新，外层优化全局通用提示策略，内层仅修正单条视频图谱。

4 方法：AVA-Encoder整体架构

AVA-Encoder四大核心模块：分层智能视频编码器、文本知识图谱表征、双循环文本梯度演化、重建误差优化指标。

4.1 智能体视频编码器

输入视频V VV经镜头分割算子划分为有序镜头序列；执行粗到细三级分层理解，上层全局上下文向下传递，同时维护全局人物/场景/物体注册库，保证跨镜头实体一致性：
C f i l m = E f i l m ( V ; P f i l m ) C s h o t , i = E s h o t ( s i , C f i l m ; P s h o t ) C k f , i = E k f ( f i ∗ , C s h o t , i ; P k f ) \begin{align} \mathcal{C}_{\mathrm{film}} &=E_{\mathrm{film}}(V;P_{\mathrm{film}}) \\ \mathcal{C}_{\mathrm{shot},i} &=E_{\mathrm{shot}}(s_i,\mathcal{C}_{\mathrm{film}};P_{\mathrm{shot}}) \\ \mathcal{C}_{\mathrm{kf},i} &=E_{\mathrm{kf}}(f_i^{*},\mathcal{C}_{\mathrm{shot},i};P_{\mathrm{kf}}) \end{align}Cfilm​Cshot,i​Ckf,i​​=Efilm​(V;Pfilm​)=Eshot​(si​,Cfilm​;Pshot​)=Ekf​(fi∗​,Cshot,i​;Pkf​)​​
分层上下文整合后，自动构建完整知识图谱：
KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲\mathcal{G}\)=\…

4.2 知识图谱表征结构

图谱KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲\mathcal{G}\)=(…分为文本节点、分类边、素材层三部分：

1. 文本节点（仅存储文本描述）
   分层叙事：Story、Event、Shot
   镜头状态：Character、Scene、Object、Style、Camera、Audio
2. 关键帧资产节点：关联生成图片素材，不存储原图像素
3. 11类有向边：层级包含、时序序列、人物关联、素材引用、音频归属、风格传递等；
   优势：修改任意节点后，沿边自动更新全部关联镜头与素材，实现全局一致性编辑。

4.3 双循环文本梯度演化机制

文本梯度：以自然语言形式输出重建错误修正方向，无需数值梯度，适配LLM推理优化。

图2 (a)内层循环：单视频图谱迭代修正，抗退化接纳门控；(b)外层循环：编码策略伪训练，抗遗忘回放门控。

4.3.1 重建误差与两类优化指标

1. 循环优化奖励KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲R_{\mathrm{rewa…：用于内外循环迭代更新，基于原子QA问答正确率计算，定位具体错误、生成文本梯度；
2. 最终评测指标R e v a l R_{\mathrm{eval}}Reval​：统一四大维度、八大影视维度聚合分数，仅用于横向对比基线，不参与训练优化。

KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲R_{\mathrm{rewa…单镜头计算公式：
KaTeX parse error: Can't use function '\(' in math mode at position 1: \̲(̲R_{\mathrm{rewa…
R e v a l R_{\mathrm{eval}}Reval​加权聚合公式：
R e v a l ( V , V ^ ) = ∑ d = 1 D ω d e v a l ( 1 − r d e v a l ) , ∑ d = 1 D ω d e v a l = 1 R_{\mathrm{eval}}(V,\hat{V})=\sum_{d=1}^{D}\omega_{d}^{\mathrm{eval}}(1-r_{d}^{\mathrm{eval}}),\quad\sum_{d=1}^{D}\omega_{d}^{\mathrm{eval}}=1Reval​(V,V^)=d=1∑D​ωdeval​(1−rdeval​),d=1∑D​ωdeval​=1

4.3.2 外层循环：数据无关编码策略伪训练

批量输入视频序列，迭代更新镜头级提示词P s h o t P_{shot}Pshot​；每轮生成候选策略后，通过回放记忆验证历史视频性能，防止过拟合遗忘。
接纳门控三大约束：当前视频奖励提升、视觉指标小幅下降可控、历史回放指标不衰退。完整伪训练流程见算法1。

4.3.3 内层循环：数据驱动图谱精细化修正

编码策略冻结后，对当前视频图谱迭代优化，分关键帧修正、完整镜头修正两种模式；通过抗退化门控过滤会降低重建质量的候选图谱，多次修正无改善则移交人工调整。完整流程见算法2。

5 实验

5.1 实验配置

5.1.1 数据集

伪训练集：6段无重叠公开影视片段；
评测集：18段动画、院线电影、AI短片，共129个镜头、246个关键帧，全程与训练集无交集。

5.1.2 模型基座

理解/评测模型：(\mathcal{G})emini-3.1-Pro-Preview
文本梯度改写模型：Qwen-3.7-Max
图像生成器：Nano Banana Pro
视频生成器：HappyHorse 1.0
全部大模型权重冻结，仅迭代文本提示策略、图谱文本内容。

5.1.3 四大评测维度

1. Video(V)：原始视频直接对比
2. Keyframe(KF)：关键帧视觉细节对比
3. V-BC：视频盲反向字幕匹配
4. KF-BC：关键帧盲反向字幕匹配
   八大评估维度：人物、场景、空间位置、运动、音频、美术风格、运镜、叙事（关键帧评测不含音频）。
   自动评测与人工标注匹配度97.3%。

5.1.4 对比基线

VideoAnalyzer、Storyboard Studio、soap2soap；全部基线共享图像/视频生成器，禁止读取原始像素用于生成，保证公平对比。

5.1.5 自动化图编辑

修改图谱人物/风格节点，自动传播至全部关联镜头，可视化展示跨镜头一致性改写效果。

5.1.6 四大研究问题

RQ1：AVA-Encoder整体重建保真度是否超越现有基线；
RQ2：外层策略伪训练、内层图谱修正各自独立贡献；
RQ3：知识图谱拓扑联动编辑可行性；
RQ4：该表征能否提升各类下游视频生成模型效果。

5.2 RQ1：重建保真度整体结果

表1 各方法重建整体指标（越高越好）

方法	Video(%)	KF(%)	V-BC(%)	KF-BC(%)	Overall(%)
VideoAnalyzer	26.1	28.5	9.7	21.7	21.5
Storyboard Studio	16.4	28.6	9.6	23.0	19.4
soap2soap	36.7	39.5	15.8	21.3	28.3
AVA-Encoder(完整)	57.8	73.7	29.7	34.6	49.0
结论：AVA-Encoder全部维度最优，整体指标领先最强基线soap2soap 20.7个百分点。

5.3 RQ2：双循环模块消融实验

表2 模块消融整体指标

1. 分层三级理解相比单层提升18.3个百分点；
2. 仅外层策略训练：对比人工调校提示词提升1.4%，token从31336降至8052（减少74.3%）；
3. 内外循环同时启用相比无循环基线，整体提升6.6个百分点（相对+15.6%）；
4. 接纳门控有效防止优化退化，增加5.5个百分点收益。

5.4 RQ3：知识图谱可编辑性

图谱支持四类标准化编辑：人物替换、美术风格统一、剧情修改、运镜参数调整；修改单一节点自动遍历所有关联子图，无关镜头保持不变。

图4 (a)现代短片多镜头人物替换；(b)古装剧跨镜头人物统一替换，人物形象全局同步，场景、剧情不受干扰。

5.5 RQ4：下游生成复用实验

表3 有无AVA图谱参考下游生成评分（1-4分）

6 结论

本文提出AVA-Encoder智能体原生视频自编码框架，以电影知识图谱作为中间表征，搭配分层编码器、双循环文本梯度优化机制，实现高保真影片编码与重建。
完整系统整体重建指标49.0%，相较最优基线提升20.7个百分点；仅外层策略方案提示词开销降低74.3%，性能优于人工调校提示。图谱支持拓扑联动编辑，可无缝对接各类下游视频智能体。
未来方向：拓展长时序多集剧集图谱、融合音频时序表征、支持交互式图谱可视化编辑工具。

参考文献

（原文参考文献完整保留，见arxiv原文https://arxiv.org/html/2608.12313v1）

附录

附录A 文本梯度与AVA-Encoder自优化原理

A.1 Text(\mathcal{G})rad基础

Text(\mathcal{G})rad将LLM流程建模为文本计算图，以自然语言反馈作为反向梯度，无需数值微分，适配提示词、图谱文本类变量迭代更新。

A.2 AVA-Encoder结构化文本梯度

定义原子修正记录KaTeX parse error: Can't use function '\(' in math mode at position 38: …u_{i}^{\mathrm{\̲(̲\mathcal{G}\)T}…，存储错误维度、真值事实、重建事实、视听证据、修正指令；批量错误记录聚合生成策略/图谱两类文本梯度，分别用于内外循环更新。

附录B 重建评测全套指标

完整打分流程、四类评测方向、八大维度细则、人工对齐实验数据、VLM评测专用提示词完整原文。

附录C 循环优化所用重建奖励函数

QA问答库构建规则、视频/关键帧问答提示词、奖励函数在内外循环的调用计算流程、阈值参数完整数值。

附录D 双循环接纳门控细则

关键帧/镜头内层修正门控、外层伪训练抗遗忘回放门控、全部阈值、采样规则、伪训练分步伪代码。

附录E 智能体编码器全套系统提示词

初始策略、伪训练后策略、人工调校策略三套中英文完整提示文本。

附录F 基线模型适配与公平性控制

VideoAnalyzer/Storyboard Studio/soap2三套基线适配改造方案；原始像素禁用规则、单镜头提示词token上限1200、每镜头最多5张生成参考图约束、统一图像/视频生成器细节。

附录(\mathcal{G}) 数据集与可复现性

(\mathcal{G}).1 开源电影知识图谱数据集

数万条影视结构化知识图谱，仅开放文本节点，不含原始音视频素材，支持自行对接生成模型渲染成片。

(\mathcal{G}).2 视频库

伪训练6段影视、评测18段影视完整片单、公开数据源链接、训练/测试无重叠划分规则。

附录H 细粒度重建定量附表

V、KF维度分维度完整数值表，对应八大影视维度单项指标。

附录I 消融实验定义与指标差值

全部消融配置单项提升/下降绝对值、相对增益百分比。

附录J 知识图谱构建与编辑完整规范

J.1 图谱存储节点、边完整Schema

J.2 编辑传播四大规则：素材闭合、语义校验、分层更新、分编辑类型子图遍历算法。

附录K 额外定性可视化

多基线重建对比图、风格统一编辑可视化、图谱交互界面截图

附录L 下游故事视频评测细则

无参考人工式打分标准、五大下游评估维度分级规则。

附录M 全套系统原始提示词

编码器、奖励函数、评测、关键帧对比全部中英文提示原文，存放于附件PDF：appendix_prompts/AV-AE-system-prompts.pdf

资源下载链接

论文原文网页：https://arxiv.org/html/2608.12313v1
开源协议：CC BY-NC-ND 4.0
数据集、代码、全套提示词、实验脚本存放于arxiv论文附件；
基线复现完整训练/推理流程见附录F、(\mathcal{G})；
内外循环算法伪代码见原文算法1、算法2；
全部消融、定量实验完整表格、可视化图原文附录H-K。