Timeline-Bench：56 个真实视频剪辑任务，最强智能体只完成 26.8%

arXiv 论文 Timeline-Bench 收录 56 个真实视频剪辑任务，要求智能体从原始素材产出成片，覆盖对白选段、访谈叙事和广告剪辑。质量测试基于 43 位剪辑师的 2,582 次盲评校准。论文评测了 16 个由 GPT-6 Astra、Claude Code、Codex、OpenCode 等驱动的智能体，最优成绩是 GPT-6 Astra 配合 Codex 完成 56 个任务中的 15 个（26.8%），平均完成率 14.0%。771 次失败运行中有 562 次只败在质量测试：智能体通过静帧和转写稿理解素材，无法把控成片工艺。任务、验证器和逐次运行结果已在官网开源。