A重点81
量子位
1 个来源vivo与港中深提出RefineCut：8B模型本地剪辑，自我进化追平DeepSeek-V4-Pro
vivo AI Lab与香港中文大学（深圳）联合提出RefineCut框架，利用确定性验证器提供可验证奖励，训练8B规模的开源模型在手机上本地完成视频剪辑。该模型在闭环协议下反超部分教师模型，追平DeepSeek-V4-Pro，并被EMNLP 2026主会接收。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读会员精读
8B小模型如何靠自我进化在手机上剪出专业大片？
版本 1 · 1 个来源
vivo AI Lab与港中深团队提出RefineCut框架，让8B开源模型在本地闭环中通过验证器自我进化，在剪辑决策任务上反超GPT-5.4等闭源大模型，为端侧创作智能体开辟新路径。
- RefineCut将视频剪辑转化为可验证的智能体任务，通过确定性验证器提供训练信号，无需人工标注。
- 8B模型RefineCut-Evo在RefineCut-Bench上取得92.4分，超越GPT-5.4（89.3分）和Qwen3-Max（77.3分），接近DeepSeek-V4-Pro（93.6分）。
- 训练分两阶段：验证器回放蒸馏（62.0→85.8分）和自进化偏好优化（→92.4分），关键在数据筛选而非模型规模。
展开章节目录剪辑的决策难题：从像素生成到约束规划
剪辑的决策难题：从像素生成到约束规划
视频生成模型擅长从无到有合成像素，但真实创作的另一半——如何从已有素材中选段、排序、卡点，并满足时长、内容、音乐对齐等约束——本质上是一道约束规划题。当前主流做法是让闭源大模型配合提示词和手工流程充当“剪辑大脑”，但这种方式决策策略冻结在提示词中，成本、延迟和隐私受制于云端API，且输出不稳定。
手机厂商需要的是能在本地运行、可持续学习的小型剪辑智能体。vivo AI Lab与香港中文大学（深圳）提出的RefineCut框架，正是针对这一需求，将剪辑计划变成可检查的对象，并利用确定性验证器实现自我进化。
可信度边界
本文信息主要来自量子位对vivo AI Lab和香港中文大学（深圳）研究团队的报道，属于二手来源。论文已被EMNLP 2026主会接收，但具体实验细节和分数应以论文原文为准。
主报道
量子位
主报道来源