動画生成研究は、端から端までの一括合成から、計画・ツール使用・フィードバックを通したエージェント駆動へ移行しています【f1】。これにより、複数のショットを組み合わせた一貫したストーリーを作成できるようになりました。

エージェント駆動を実現するのが「エージェントハーネス」です。ハーネスは、エージェントの作業コンテキストを構築し、ツールを公開し、状態を保持し、フィードバックをルーティングし、動画生成モデルへの予算を管理します【f3】【f4】。これにより、計画、実行、ツール使用、メモリ管理、編集、ウォーターマーキングなどの作業を統合できます。

併せて、動画世界モデルが登場しています。これらはアクションに応じた観測と将来の予測を提供し、エージェントがシミュレート環境と相互作用しながら、シーンの変化を予測できるようにしています【f2】【f5】。ハーネスは、エージェントと世界モデルの仲介役として機能し、観測・制御・実行・状態管理を行います。

調査の中で、改善の再投入が可能な4つのチャネルが指摘されています。① 出力の改訂、② ハーネス状態の更新、③ 生成器パラメータの更新、④ 開発手順そのものの更新です【f6】。しかし、現時点でのシステムは生成器の学習・検証手順の再設計を実装していません【f7】。

本研究は、エージェントハーネスと検索可能な世界モデルという枠組みを提供し、将来の動画生成技術への基盤を築くものです。