指令驱动视频编辑

VIVA：基于 VLM 引导与奖励优化的指令驱动视频编辑

VIVA: VLM-Guided Instruction-Based Video Editing with Reward Optimization

把 VLM 作为指令编码器，将文本指令、首帧和参考图编码成视觉接地的指令表示，再送入扩散 Transformer 主干；并用 Edit-GRPO 以相对奖励直接优化指令遵循、内容保持与美学质量，这套「VLM 编码 + 强化学习后训练」组合可迁移到其他条件生成任务。