QwenPaw Creator：统一Data Model如何连接Agent与人工共创视频

从痛点出发：视频创作为何需要统一数据层

在最近的 CreamPort（QwenPaw）社区交流会上，开发者轩瑞详细分享了 Creator 新版本的设计理念与技术架构。这次分享的重点并非又一款视频生成工具，而是一种全新的创作范式。

轩瑞提到，Creator 的诞生源于一个真实的开发者痛点。他曾尝试用 Codex 结合 Hyperframes 制作视频，结果整个过程花了两天，消耗了大量 Credits。问题的关键在于：当他向模型提出修改需求时，Agent 需要很长时间去重新生成和验证，人、模型、前端展示三者之间缺乏一致的连接。

"有没有这么样的一个东西，它能够把 Agent、模型、人，还有前端的展示能够共同地连接起来？"

这个问题正是 Creator 要解答的核心命题。它参考了社区中大量流行实践——Codex 配合 Chat、Hyperframes、Remotion，以及 CDance、MiniMax 等各家能力——最终提炼出了自己的技术主线。

核心理念：Data-driven的三方共感知架构

Creator 的核心思想是以 Data-driven（数据驱动） 的方式做连接。后端统一定义了一套 Data Model，无论是 Agent 所"看到"的内容、前端渲染出来的画面，还是人工进行干预、审阅、审批的对象，全都对应到同一套数据模型。

这种设计带来的直接价值是：整个视频创作流程更加一致、连贯，Agent、人、前端三方都能对同一份数据形成共同感知。这也是 Creator 区别于"零散拼接工具链"的关键所在。

Data Model 具体定义了哪些结构

在视频创作流程中，无论是剪辑还是生成，都有几个核心元素：

• Timeline（时间线）：串起整部片子的逻辑梗概；
• Element（元素）：每一时刻画面上的组成部分；
• Assets（素材）：既包含用户手动上传的已拍摄素材，也包含 AI 实时生成的素材。

Creator 对这些结构以及背后的具体格式（如动效是 HTML 还是 CSS 格式、视频音频是 MP4 还是 MP3）都做了明确定义。最终的成片渲染正是基于这套结构进行扩展和拼装。

五大创作场景：Data Model的实战应用

为了展示这套架构的实际能力，轩瑞列举了五个典型创作场景。

场景一：素材剪辑——从几十小时素材到 Vlog 高光

第一个场景对应日常剪辑需求，比如把一整天拍摄的 Vlog 片段、甚至猫咪第一人称视角的几十小时视频，凝练成一段高光精华。

这背后不仅依赖 Data Model，还充分激发了多模态能力——VLM 模型负责画面理解，ASR 模型负责语音识别。更关键的是，Creator 原生集成了 VLM 模型与 MN Plugins 插件，具备长程记忆能力：无论上传多长的素材，它都能以 Embedding 的方式组成一个 Memory 图，方便 Agent 进行检索（Retrieval）和重新组织。

整个流程遵循"理解内容 → 保存 Memory 结构 → 检索复用 → 重组成片"的逻辑。

场景二：教学视频——让 Agent 自己操作软件

第二个场景直击开发者痛点：产品做完了，如何做一段演示视频推广出去？很多开发者并不擅长剪辑或视频制作。

Creator 利用 QwenPaw 本身的 Browser Use 和 Computer Use 基建，让 Agent 能够自动操作软件，对关键步骤进行截图或录屏，再结合剪辑、动效与特效技能组成成片。轩瑞特别提到，随着 GPT-6 Astra 等模型对 Computer Use 能力的大幅优化，这类需求的实现效果会越来越好。

场景三：短视频生成——解决多片段拼接一致性难题

第三个场景是几十秒到一分多钟的短视频生成。这里的最大难点在于，当前主流视频生成模型——CDance 2.5、MiniMax、万相3、可灵等——都有最大生成时长限制（如 15 秒或 30 秒）。因此成片必然是多次生成单元拼接的结果。

如何保证拼接单元的一致性、人物主体的一致性、环境不穿帮？Creator 通过人物视觉保持和分镜图构造来实现。以"小雪豹"这个案例为例，系统会先创建人物角色的身份外观说明、确定整片的风格色彩方向，再对每个生成单元做单独分镜，最后调用所选视频模型生成并组成成片。

场景四：多集短剧——资产库与"阵容图"保障角色一致性

第四个场景将上述流程扩展到几十分钟、上百集的短剧生成。每一集可能出现共同人物，而这些人物又会有不同形象（初始形象、变身、变体等），需要一个整体资产库来统一管理和引用。

值得关注的是 Creator 提出的"阵容图"机制。实测中团队发现一个典型问题：人物 A、B、C 各自有身份版，但组合到同一视频时，会出现"某片段 A 比 B 高、另一片段 B 又比 A 高"的不一致。阵容图正是针对这种多人物组合的一致性问题做了专门优化，Reference Image 与 Prompt 会一起进入分镜和视频生成流程。

场景五：商业视频——围绕商品卖点的高效制作

第五个场景是电商平台（淘宝、抖音、拼多多等）的商业视频。相比多人物短剧，它的对齐维度更简单——核心是围绕商品特性的一致性，整片都服务于商品卖点，因此实现难度相对更低。

人机协同：审阅机制如何提升视频质量

创意生成本质上是高度主观的过程，Agent 不可能一次生成完美视频。因此，如何把人工审阅、修改的流程也纳入 Data Model，是 Creator 的重要设计考量。

Creator 提供了两类审阅机制：

• 人工审阅：当你向 Agent 提出修改建议后，系统会把具体修改位置直接展示出来，点击即可跳转到对应位置。你可以选择保留或撤销，并提供进一步修改意见，Agent 会实时响应。
• 自我审阅（Self Review）：内置了大量算子，如一致性算子、音频跳变算子、背景声混音算子等。你可以按需启用，系统会同步或异步地修改内容，并把修改意见反馈给 Agent，形成优化闭环——不过开启后耗时会相应增加。

在前端界面上，Creator 做了一个巧妙的设计：界面中的每一个部分都能变成 Agent 的上下文。无论是选中轨道中的某一段，还是选择视频概览栏的某段文字，都可以直接添加到 Agent 的上下文中，实现精准的局部编辑。

生态展望：Skill复用、平台联动与互动短剧

面对社区中大量开发者把经验沉淀为 Skill 的趋势，Creator 也计划将这些 Skill 接入进来，复用各行业的 know-how。对开发者而言，这意味着在不熟悉的领域也能借助现有 Skill，让 Creator 变身该行业的专业创作工具。

在平台联动方面，团队也提出了开放的共创方向：比如将项目从 Creator 导出到剪映做进一步精细编辑，或直接对接 B站、抖音的发布流程。这些都欢迎社区通过 PR 或 Issue 的方式参与二次开发。

预热：互动短剧——AI视频创作的新形态

分享的最后，轩瑞预告了一个新的视频形式——互动短剧。它的形态更接近游戏：观众可以在关键节点选择角色的下一步动作（A 或 B），走向不同支线和结局，并解锁完整的剧情地图。

轩瑞认为，这类场景对 Agent 而言非常合适，一个简单的 Prompt 就能生成互动视频。该功能将在 AgentScope 平台上发布。

总结：Creator用统一数据模型重新定义AI视频创作

从技术视角看，Creator 真正的创新点并不在于"能生成视频"，而在于用一套统一的 Data Model，把 Agent 自动创作、多模态理解、人工审阅干预、前端渲染这四个环节缝合成一个连贯闭环。它试图回答的是 AI 视频创作领域一个更本质的问题：如何让人与 Agent 在同一份数据上高效协作。

目前团队正在招募"深度体验官"，提供一定额度的免费 API Key（限百炼^广告平台模型，推荐万相、通义千问 image3、Qwen3.8 Max 等），欢迎开发者带着真实任务参与测评与共创。