WeVisCut: Tencent publica em acesso livre um agente de edição de vídeo de 9 bilhões de parâmetros

A Tencent disponibilizou um agente de edição de vídeo completo em código aberto. Pesquisadores do WeChat Vision e da Universidade de Xidian publicaram o WeVisCut, um modelo de 9 bilhões de parâmetros que transforma um artigo ou roteiro de narração em um vídeo editado de vários minutos. O código, o editor e o pipeline de preparação de dados foram lançados sob licença Apache 2.0, e os pesos estão disponíveis no Hugging Face. A licença destes últimos ainda precisa ser esclarecida: o arquivo de licença no repositório do GitHub inclui os pesos sob a Apache 2.0, mas a página no Hugging Face aponta para condições próprias aplicáveis aos pesos e a componentes de terceiros.

Um único modelo compacto no lugar de uma equipe de agentes

A maioria dos “editores” baseados em IA encadeia múltiplos agentes gerenciados por grandes modelos generalistas. O WeVisCut adota a abordagem oposta: um único modelo atua sucessivamente como diretor, roteirista e crítico. A cada etapa, ele avalia o estado do projeto e aciona uma ferramenta dentre doze opções: dividir o texto em capítulos, planejar as tomadas, gerar a locução, buscar imagens, preencher modelos de animação, escolher a trilha sonora, renderizar uma tomada, avaliar o resultado, realizar autocorreções e, por fim, montar o vídeo. São necessárias, em média, cerca de doze chamadas por vídeo.

O resultado é aberto em um editor, o Studio, com oito faixas sincronizadas (capítulos, tomadas, narração, legendas, imagens, modelos, música, renderização). Nele, é possível ajustar uma tomada manualmente ou por meio de comandos em linguagem natural (“substitua a imagem aos 0:15”), recalculando apenas os elementos alterados.

Treinamento a partir de vídeos finalizados

A dificuldade, explicam os autores no artigo científico, reside no fato de que um vídeo finalizado não preserva o histórico das decisões de edição. A equipe realizou a engenharia reversa de 3.750 vídeos comentados publicados no Bilibili (ciência, tecnologia, finanças, história…) para identificar a intenção por trás de cada tomada e, em seguida, reproduziu o processo com suas próprias ferramentas, incluindo eventuais erros e correções. Esse processo resultou em 134.771 exemplos de treinamento, utilizados para o ajuste fino do Qwen3.5-9B em três etapas, sendo duas delas com aprendizado por reforço.

Empate com o Claude Opus 5 gastando 33 vezes menos tokens

De acordo com as tabelas de resultados apresentadas no artigo, em um benchmark de 100 tarefas elaborado pela equipe, o WeVisCut alcançou uma pontuação geral de 90,5, em comparação com 89,9 do Claude Opus 5 operando com o mesmo conjunto de ferramentas. O destaque fica para a eficiência: o modelo gera 2.377 tokens por minuto de vídeo bem-sucedido, contra 78.763 do Opus 5 — uma redução de aproximadamente 33 vezes. Diante de outros dois sistemas acadêmicos, Crayotter e VideoAgent, ele também lidera em todas as cinco métricas analisadas e na preferência de três avaliadores humanos. A execução do modelo requer cerca de 24 GB de memória GPU NVIDIA.