---
title: "Video-Coder: Video Üretimi İçin Ajanik Kodlamayı Güçlendirmek"
url: https://blog.edumints.com/video-coder-video-uretimi-icin-ajanik-kodlamayi-guclendirmek
category: "Makine Öğrenmesi"
date: 2026-11-09T09:05:59.433Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Papers"
source_url: https://huggingface.co/papers/2611.09894
---

# Video-Coder: Video Üretimi İçin Ajanik Kodlamayı Güçlendirmek

## Video Üretiminde Mekansal Yapı ve Kod Odaklı Yaklaşım

Son yıllarda video üretim teknolojileri, görsel kalite ve zamansal tutarlılık açısından dikkat çekici bir ilerleme kaydetti. Ancak hassas mekansal yapıya, tutarlı hareket dinamiklerine ve kontrol edilebilir sahne kompozisyonuna sahip videolar üretmek hala önemli bir zorluk olmaya devam ediyor. **Video-Coder**, bu sorunu aşmak için kod odaklı bir video üretim ajanı eğitmeyi amaçlayan ilk girişim olarak öne çıkıyor. Bu ajan, otonom olarak kod yazıp çalıştırarak dinamik bir 3B sahne (**Taslak Video / Draft Video**) inşa ediyor ve bu taslak, sonraki aşamadaki video üreticilerine yapısal ve hareketsel sinyaller sağlıyor.

Yazılım geliştirme perspektifinden bakıldığında, doğrudan piksel üretmek yerine önce deterministik ve yapılandırılmış bir ara katman (kod ve 3B sahne) oluşturmak, kontrol edilebilirliği radikal biçimde artırır. Üretken yapay zeka sistemlerinde belirsizliği yönetmek isteyen geliştiriciler için bu yaklaşım, "doğrudan üretim" yerine "önce kodla simüle et, sonra işle" prensibinin güçlü bir örneğidir.

## Veri Hattı, Etkileşimli Ortam (Harness) ve Eğitim Stratejisi

Bu yeni paradigmayı desteklemek adına özel bir veri hattı tasarlanmış ve çeşitli istemler ile referans videolar içeren iki yüksek kaliteli veri seti (**Video-Coder-SFT-6k** ve **Video-Coder-RL-2k**) oluşturulmuştur. Ayrıca ajan eğitimi ve çıkarımı (inference) süreçlerinde kod yürütme, 3B sahne işleme (rendering) ve yürütme geri bildirimini birleştiren birleşik ve etkileşimli bir ortam olan **Video-Coder Harness** geliştirilmiştir.

Modelin eğitim sürecinde izlenen temel adımlar ve teknik çıkarımlar şunlardır:

- **Aşamalı Eğitim (SFT ve RL):** Model önce gözetimli ince ayar (SFT) ile eğitilmiş, ardından doğrudan **Video-Coder Harness** ortamına entegre ajanik pekiştirmeli öğrenme (RL) uygulanmıştır.
- **Çift Ödüllü Geri Bildirim (Dual Reward Feedback):** Eğitimde hem kodun hatasız çalışmasını ölçen yürütme tabanlı (execution-based) ödüller hem de üretilen çıktının kalitesini ölçen video tabanlı ödüller birleştirilmiştir.
- **Tavlama (Annealing) Eğitim Stratejisi:** Zamanla yürütme ödülünün ağırlığını kademeli olarak azaltan bir strateji tasarlanmıştır. Bu sayede model, eğitimin ilk aşamalarında çalışan kod yazmayı öğrenirken, ileri aşamalarda nihai video kalitesi ödülüne daha fazla odaklanabilmektedir.
- **Somut Performans Kazanımları:** Yapılan deneyler, **Video-Coder**'ın önemli başarılar elde ettiğini ve **Minimax-H3** modelini **PhyGenBench** üzerinde yaklaşık 7 puan, **VBench-2.0** üzerinde ise 24 puan geliştirdiğini göstermektedir.

## Mühendislik ve Öğrenme Çıkarımları

Çok adımlı ajan (multi-step agent) geliştiren yazılım mühendisleri için bu çalışmadaki en kritik pratik çıkarım, **Harness** mimarisi ve **ödül tavlama (reward annealing)** tekniğidir. Ajanların dış araçlarla (derleyici, 3B motoru vb.) etkileşime girdiği sistemlerde, önce sentaks ve çalışma zamanı hatalarını (execution feedback) çözmeye odaklanmak, sistem kararlı hale geldikten sonra iş mantığı veya kalite metriklerine ağırlık vermek ajan güvenilirliğini doğrudan artırır. Araştırma ekibi; veri setlerini, modelleri ve kodları tamamen açık kaynaklı hale getirerek video üretiminde kodlama ajanları için açık bir temel sunmaktadır.

Orijinal makaleye [buradan](https://huggingface.co/papers/2611.09894) ulaşabilirsiniz.

---

**Kaynak:** Hugging Face Papers (https://huggingface.co/papers/2611.09894)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/video-coder-video-uretimi-icin-ajanik-kodlamayi-guclendirmek