视频扩散模型生成的画面很唬人，但一碰到精确公式、正确图表、按规则跑的游戏、跟画面同步的旁白，立刻露馅。VibeVideoBench测的就是这块短板。画面好不好看它不管，只看两点：能不能用代码把每一帧渲染出来，声音能不能合成好。
基准包含239项中英文任务，分12个类别。沙盒里不给任何图像或视频生成模型，智能体只能写代码，一小时内交出带声音的完整MP4。评分看三块：交付规格检查，约1.3万条任务专属标准，再加三个视觉语言模型按五个质量维度打分。
九种领先智能体跑了2151次。GPT-6 Astra和Claude Opus 5.5排前二，最强的系统在76.3%的任务里满足了所有核心要求。但没交付的视频一算零分，排名就变。四分之三的视频没出来，死因很工程：渲染启动太晚，跑得太慢，或者压根没启动。模型评审给出的排名，和盲测人类偏好高度吻合。
生意那头也不轻松。短剧产量通胀，AI工具越堆越多，淘金热里卖水是赚钱，但真正值钱的是金矿和那条河。谷歌这时推出Genie4世界模型，继续把能力上限往上顶。可基准戳破的事没变：生成一段好看片段，和稳定交付一个成品，中间隔着一条河。