告別抽卡、散裝工具拼湊！通用AI視頻智能體框架UniVA開源

新智元報道

編輯：LRST

【新智元導讀】在AI視頻創(chuàng)作過程中，創(chuàng)作者常因頻繁切換多種工具而疲憊，導致創(chuàng)作熱情消磨。近期，多所高校聯(lián)合開源的UniVA框架，像一位「AI導演」，能整合多種視頻工具，提供從腳本到成片的一站式自動化體驗，改變傳統(tǒng)「抽卡」式創(chuàng)作，支持多輪交互和主動糾錯，還能實現(xiàn)風格遷移、前傳創(chuàng)作等功能，為視頻創(chuàng)作帶來高效與便捷。

在AI視頻賽道「卷生卷死」的 2025 年，我們似乎陷入了一個「工具繭房」：為了做一個完美的視頻，我們用ChatGPT生成指令，用Nano Banana生成圖，用SAM做分割，用Sora或Kling生成視頻，發(fā)現(xiàn)怎么一個特效也編輯不好，再導進AE做特效……

要完成一個視頻內容的創(chuàng)作，需要來回周轉、調用大量的工具。

完成這一切后，身心已然俱疲，當初因靈感迸發(fā)而生的激動與創(chuàng)作熱情，也在這套繁瑣流程中被消耗殆盡。

我們不缺強大的模型，我們缺的是一個能把這些工具「串」有機地起來的腦子。

近期新加坡管理大學、羅切斯特大學、倫敦大學學院、新加坡國立大學、香港中文大學、斯坦福大學聯(lián)合開源的UniVA (Universal Video Agent)，嘗試解決這一系列的問題！

UniVA不是一個單一的視頻生成模型，而是一個全能型通用視頻智能體框架。

論文地址：https://arxiv.org/abs/2511.08521

代碼倉庫： https://github.com/univa-agent/univa

項目官網： http://univa.online/

它像一位不知疲倦的「AI 導演」，能夠聽懂你的復雜需求，自主規(guī)劃路徑，統(tǒng)籌調用市面上最強的視頻工具，為你提供從腳本到成片的一站式自動化體驗。

UniVA 不做「抽卡」工具，它要做的是下一代視頻生產的智能引擎。

拒絕「抽卡」

極致自動、主動交互的創(chuàng)作體驗

Highly Automated, Interactive, Proactive Video Creation

傳統(tǒng)的視頻AI是「單指令單任務」：你輸入一句Prompt，它給你一段視頻，如果不滿意？只能修改Prompt重新生成（抽卡）。

UniVA徹底改變了這種交互方式，基于Plan-Act（規(guī)劃-執(zhí)行）雙智能體架構，讓UniVA擁有了「思考」的能力。

全自動規(guī)劃 (Automated Planning) ：UniVA的Planner Agent會自動將模糊需求拆解為結構化的分鏡腳本，并將任務分發(fā)給Executor Agent執(zhí)行。

主動式服務 (Proactive Assistance) ：不僅僅是執(zhí)行命令，如果你的指令中有歧義，或者生成的中間結果不達標，UniVA 會進行自我反思 (Self-Reflection)。它會主動問你或自動修正錯誤，而不是把爛攤子丟給你。

多輪交互共創(chuàng) (Interactive Co-creation) ：UniVA能記住多輪對話的上下文。你可以像和剪輯師聊天一樣修改視頻，讓創(chuàng)作變成一場流暢的協(xié)作。

Case 1：一句話生成商業(yè)大片

指令：生成一個面包店廣告，包含揉面特寫、撒花瓣慢動作、顧客笑容及 Brand Logo。

UniVA：Planner 智能拆解劇本 -> 批量生成分鏡（揉面、撒花、顧客） -> 智能剪輯 -> 植入 Logo

結果：邏輯清晰、包含多個分鏡的 20 秒完整商業(yè)廣告成片。

告別割裂

全能、統(tǒng)一的工業(yè)級生產引擎

Omnipotent, Unified, Industrial-Grade Video Production Engine

UniVA的野心不止于「生成」，而是要解決工業(yè)級視頻生產中的核心痛點：一致性與連貫性。

基于MCP (Model Context Protocol) 協(xié)議，UniVA構建了一個模塊化的工具全家桶，實現(xiàn)了真正的All-in-One：

• 打破能力孤島：UniVA將視頻理解 (Understanding)、生成 (Generation)、編輯 (Editing)、分割 (Segmentation) 四大能力融為一體。它能先「看懂」視頻里的主角是誰，再精準地把他「摳」出來，最后進行「重繪」。

• 工業(yè)級一致性：依靠獨創(chuàng)的分層記憶機制 (Hierarchical Memory)（包含全局知識、任務上下文、用戶偏好），UniVA 解決了長視頻創(chuàng)作中最大的難題——角色這一秒是長發(fā)，下一秒變短發(fā)。它能精準錨定角色特征 (Entity Anchor)，確保多鏡頭敘事中的人物、物體和風格高度統(tǒng)一。

• 任意條件生成：無論是文生視頻、圖生視頻，還是基于現(xiàn)有視頻改寫「前傳」或「續(xù)集」，UniVA 都能輕松駕馭。它甚至能讀取一段視頻的風格，然后將其無損遷移到另一段完全不同的視頻中。

Case 2：風格遷移，劇情無損

指令：保持這段視頻的劇情和動作不變，把它變成中國水墨畫風格。

UniVA：視頻理解模塊提取動作骨架 -> 調用風格化工具重繪 -> 像素級對齊。

結果：完美復刻原視頻動態(tài)的水墨大片，無閃爍、無變形。

參考輸入視頻

Univa生成的視頻

Case 3：無中生有，前傳創(chuàng)作

指令：基于這個視頻，創(chuàng)作一段它的「前傳」。

UniVA：提取角色形象與性格 -> 倒推故事邏輯 -> 生成全新劇情。

結果：人物設定完全一致的全新故事線，實現(xiàn)了真正的「長程記憶」創(chuàng)作。

參考輸入視頻

UniVA生成視頻

擁抱未來

完全開源，定義下一代視頻Agent生態(tài)

OpenSource & Extensible Ecosystem

下一代視頻AI的未來不應被封閉在某個大廠的API墻內，因此，UniVA選擇完全開源。

基于MCP的無限擴展UniVA的架構設計是即插即用的。

研究人員集成了Runway或Seedance，明天如果有更強的開源模型出現(xiàn)（比如Sora API），開發(fā)者只需編寫一個簡單的MCP驅動，UniVA就能立刻獲得新能力，它是一個會隨著社區(qū)共同進化的「活系統(tǒng)」。

為了推動行業(yè)發(fā)展，研究人員同步開源了UniVA-Bench評測基準，首個針對「視頻 Agent」的評測基準，不再只看生成質量，而是全面評估智能體的規(guī)劃能力、工具調用效率、多步推理準確性。

參考資料：

https://arxiv.org/abs/2511.08521

秒追ASI

?點贊、轉發(fā)、在看一鍵三連?

點亮星標，鎖定新智元極速推送！