Aurora：基于工具使用代理的统一视频编辑框架

近期视频编辑模型虽采用统一条件设计，但依赖用户提供完备的文本与视觉指引，难以应对现实中的模糊请求。本文提出 Aurora，一个结合工具增强型视觉语言模型（VLM）代理与统一视频扩散变换器的代理框架。该 VLM 代理能将原始用户请求映射为符合模型条件通道的结构化编辑计划，在生成前解决文本与视觉的不确定性。通过监督学习与偏好对训练，Aurora 在多个基准测试中显著优于仅指令基线，并展现出良好的迁移能力。