# 当视频参考可以直接变成代码，后期导演还剩下什么？
一支专业 motion 片被放进模型的上下文里。几天后，它变成了一支由 HTML、CSS 和 JavaScript 写成的 K3 宣传片。
事情的起点，是 motion designer Leo 展示了团队做的高规格 Fintech 产品动画，并公开讨论 Kimi K3 能不能做到这种质量。HeyGen 的 Bin Liu 随后在那次 X 讨论里放出了一份用 K3 和 HyperFrames 复现的版本。团队把源码、素材和成片一起公开在仓库里，`k3-promo` 在 7 月 22 日提交，主文件 1,785 行。源码与成片在这里
那类片子通常要经过一条很长的人工流程。先定 brief。设计师在 Figma 里把产品界面、文字和画面关系画出来。动画师决定什么先出现，什么后出现，镜头怎么接，数字怎么动。声音、节奏、修改和交付放在后面。
这次复现没有抹掉这些工作。
人类团队的版本依然更完整。它对品牌语气更敏感，节奏更松，也更知道哪里该收住。AI 的版本会让人立刻想到参考片，也能运行，也能交付一个相当接近的结果。
变化发生在中间那一段。
过去，团队把一张设计稿变成一段动画，要花时间交接、对齐、返工。现在，模型可以看着一支参考片，写出一份可渲染的视频代码。
这会先改写谁在做执行，之后才会影响谁在做判断。
那支片子是怎么被写出来的
HyperFrames 提供了一个适合模型工作的介质。
它用 HTML、CSS、媒体资源和动画轨道组织画面，再用浏览器逐帧渲染，编码成 MP4。文字、卡片、数字、UI、背景光效和转场，都可以写成元素、样式和时间参数。
视频在这里有点像一个会动的网页。
模型不需要在传统时间线上拖动素材。它可以直接写：
- 这个元素第几秒进入；
- 文字的透明度和位置如何变化；
- 两个界面如何交接；
- 数字以什么速度滚动；
- 背景在什么时候变暗；
- 动画结束时停在哪一帧。
这也是为什么 K3 会出现在这次案例里。
K3 的公开定位包含原生视觉、最长 1M token 上下文、长程 coding 和 Agent 工作。其产品文档也写明，它可以输入视频或视频帧序列，分析屏幕录制，并根据视觉材料生成前端实现。K3 多模态能力说明
参考片提供目标。HyperFrames 提供执行环境。模型负责把看到的东西写出来。
这条链路一旦跑通，视频制作中的一部分工作就进入了代码生产的范围。
Kimi 在视频理解上，有一条更早的路线
K3 的完整技术报告目前还没有公开。K3 的视频能力可以从产品文档和实际案例观察，不能提前写成一套已经发表的 K3 论文结论。
但 Kimi 的视频理解积累，比 K3 更早。
月之暗面此前发布过 Kimi-VL 技术报告。这条模型路线处理的是多图、长文档、视频和连续视觉材料。它需要在大量帧、文字和画面变化里保留上下文，知道前面出现过什么，也知道后面的回答该回到哪一段。
Kimi-VL 公开报告给出了 LongVideoBench 64.5 分的结果。后续 Thinking 版本在 VideoMMMU 上取得 65.2 分，项目方称其为当时开源模型中的最好成绩。Kimi-VL 技术报告 开源仓库与评测说明
这些结果不等于 K3 已经在所有视频理解任务里领先。
不同基准考察的内容差别很大。长视频问答、屏幕理解、动作识别、剧情推理和商业片审美，也不是同一件事。
不过，这条技术路线解释了 K3 在这类任务上为什么会显得顺手。
一支参考片不是若干张静态海报。它有时间关系：文字何时出现，UI 如何被强调，信息密度在何处上升，前一个画面为后一个画面铺了什么。模型若只能看单帧，最后写出来的通常是一组相似的截图。它若能保留连续画面的关系，就有机会把参考片写成一段连贯的动画。
K3 在 HyperFrames 里做的，正是后一种工作。
普通剪辑执行已经变了
AI 对一般后期和剪辑的替代，我认为已经发生了。
这里的判断基于交付，而不是基于“AI 是否拥有顶尖创作者的审美”。如果 AI 加一次人类审核，能以更低成本、更快速度交出达到标准的内容，原来的工作流就已经被改写。
自动字幕、口癖清理、静音删除、粗剪、横竖版适配、抠图、补帧、素材搜索、口播配 B-roll，已经属于这一类。
再往前一步，剪辑 Agent 可以把文字、语音和时间轴对齐。人说“删掉重复部分”“把这一段做成短视频”“给这里补一段解释画面”，系统就能在工程里执行。
口播、课程、访谈和播客切片尤其适合先被改写。它们的语言结构已经相对清楚，模型能从字幕和语音里获得大量线索。
HyperFrames 的案例把边界推到了更靠前的位置。
模型没有停在删素材、加字幕。它开始根据参考片处理字体、排版、动效和画面关系，再把这些选择写进代码。它还不稳定，也会把“像参考”误解成“堆更多效果”。但“从参考到可用实现”这一步，已经明显变短了。
参考片里的判断，模型暂时带不走
一支被复现的片子，已经包含了很多答案。
产品为什么要这样讲，第一秒应该留给什么信息，数字为什么在这里出现，画面为什么要留白，哪一个动作应该慢下来。这些判断在参考片完成之前，就由创作团队做过一轮。
模型可以读到这些答案，也可以执行其中相当大的一部分。
它很难自动知道，一份模糊的客户需求该往哪个方向走。
它也很难独自判断，一支片子看起来够酷，是否真的适合这个品牌；一段剪得很顺的访谈，是否把说话者原本的意思剪薄了；一段音乐把气氛推高之后，是否反而让产品显得用力过猛。
后期导演平时处理的也很少只是时间线。
他要判断观众此刻知道什么。要判断这段解释该不该提前。要判断人物停顿两秒，是因为紧张、尴尬、愤怒，还是因为那两秒本来就应该留下来。要判断声音该推进画面，还是该退出，让现场声留住。
这些判断依赖当前项目里的具体材料。
人物是谁，面对谁说话，产品处在什么阶段，观众为什么会在这个时间打开视频，品牌过去说过什么，这次又必须避开什么。AI 要参与这类工作，得先对这个项目建立足够深的理解。
它不需要先模拟整个世界。
它得先看懂眼前这一小块世界。
真实发生的内容还会继续被剪辑
AI 视频会继续生成更多此前不存在的画面。
广告、短剧、概念片、虚构角色和产品想象，会越来越多地交给模型完成。它们适合被快速尝试，也适合被快速改写。
另一类材料仍然来自现实。
一次比赛、一场采访、一次直播、一个家庭时刻、一次失误、一段关系里的沉默。人仍然会经历这些事情，记录仍然会留下来。
真实素材的价值不在于它比生成画面更精致。
它带着事件本身。一个进球会改变比分。一段采访里的人要为自己的话负责。一场会议中的沉默，可能和某个具体决定有关。生成模型可以补画面，可以重建场景，也可以把素材讲得更清楚；它不能替代已经发生过的事情。
未来常见的内容形态，大概会把两者混在一起。
真实事件提供事实、人物和后果。AI 整理素材、找关键节点、补解释画面、为不同平台重剪版本。
创作者需要学会和这套流程一起工作。
把执行交给模型之前，先把参考、边界和目标说清楚。模型交出第一版之后，再把时间用在该删什么、该等什么、该坚持什么上。
视频会越来越容易被做出来。
一支片子为什么要这样做，仍然需要有人负责。