ViMax troca o prompt por uma premissa e deixa um agente dirigir o curta

O mais interessante no ViMax não é gerar vídeo. Muitos repositórios fazem isso. É que o exemplo do próprio repo não pede um prompt. Pede uma premissa em uma frase.
idea = \
"""
If a cat and a dog are best friends, what would happen when they meet a new cat?
"""
user_requirement = \
"""
For children, do not exceed 3 scenes.
"""
style = "Cartoon"
Esse bloco fica dentro de main_idea2video.py. Você edita o arquivo Python, configura três chaves de API e roda. O que volta deve ser um curta pronto: roteiro, storyboard, design de personagens, planos e vídeo montado. O repositório é HKUDS/ViMax, já acumula cerca de 12.8K estrelas, e a proposta é que um único agente segure quatro funções ao mesmo tempo — diretor, roteirista, produtor e gerador.
Se isso funciona é outra pergunta, separada de se o enquadramento está certo. O enquadramento está. Quase toda ferramenta de texto-para-vídeo do mercado se recusa a decidir. Você entrega uma frase, ela devolve cinco segundos. Tudo acima da frase — quem é o personagem, qual deve ser o segundo plano, se o terceiro contradiz o primeiro — é problema seu. A aposta do ViMax é que o produto que faltava nunca foi o modelo. Era a camada que decide o que pedir ao modelo.
O que vem na caixa
Três pontos de entrada, e vale separá-los porque as pessoas insistem em confundi-los.
Ideia para vídeo. main_idea2video.py recebe uma premissa, uma frase de restrição e uma palavra de estilo. O agente escreve o roteiro, quebra em cenas, gera keyframes e entrega esses keyframes a um modelo de vídeo.
Roteiro para vídeo. main_script2video.py pula a etapa de escrita. Você fornece um roteiro de cenas em formato de screenplay — EXT. SCHOOL GYM - DAY, idade dos personagens entre parênteses, diálogo em linha própria — mais uma exigência como “ritmo rápido, no máximo 20 planos”. O agente interpreta, escala o elenco e gera.
TUI interativa e uma interface web local. Mesmo runtime, duas frentes. A TUI é o caminho rápido; a web oferece projetos nomeados, painel de conversa, prévia do storyboard e inspeção de artefatos.
Tem uma quarta coisa escondida na config que, para mim, importa mais que as três acima: image_selection.
image_selection:
num_candidates: 2 # Set to 1 to disable selection.
Por padrão, o ViMax gera dois keyframes candidatos em paralelo e deixa um modelo de chat com visão escolher o melhor. É um recurso pequeno com implicação grande. Significa que o sistema não trata a geração de imagem como caça-níquel, em que você gira até sair algo aceitável. Trata como decisão com custo, tomada por algo capaz de olhar as duas opções. O README avisa que isso aumenta o gasto de API. É também a diferença entre um agente e um laço for.
A instalação, sem romance
Quatro comandos, e um deles vai ser o motivo da sua desistência se você estiver no Windows.
git clone https://github.com/HKUDS/ViMax.git
cd ViMax
uv sync
É o ambiente. O uv resolve; não tem receita conda nem arquivo Docker no quick start. Depois:
cp configs/agent.example.yaml configs/agent.local.yaml
E agora você preenche três blocos. Não um — três. Um modelo de linguagem, um gerador de imagem e um gerador de vídeo, cada um com nome de modelo, base URL e chave.
llm:
model_provider: openai
model: <YOUR_LLM_MODEL>
base_url: <YOUR_LLM_BASE_URL>
api_key: <YOUR_API_KEY>
image:
model: <YOUR_IMAGE_MODEL>
base_url: <YOUR_IMAGE_BASE_URL>
api_key: <YOUR_API_KEY>
video:
model: <YOUR_VIDEO_MODEL>
base_url: <YOUR_VIDEO_BASE_URL>
api_key: <YOUR_API_KEY>
Se preferir não ter arquivo de config, os mesmos valores podem vir de VIMAX_LLM_API_KEY, VIMAX_IMAGE_API_KEY e VIMAX_VIDEO_API_KEY. Depois vimax tui abre uma sessão, e vimax tui resume <session_id> retoma uma.
Três provedores é a parte que as pessoas subestimam. Não é incômodo de setup, é a arquitetura aparecendo: o ViMax é colado no que você plugar. A config de exemplo aponta para OpenRouter no chat, uma classe de imagem do Google e uma classe de vídeo do Google — ImageGeneratorNanobananaGoogleAPI e VideoGeneratorVeoGoogleAPI. Troque o caminho da classe, troque o fornecedor. É flexível do jeito que uma régua de tomadas bem etiquetada é flexível.
A interface web é instalação separada:
cd web
npm install
npm run dev
Ela sobe em 127.0.0.1:4173. Em máquina remota você faz forward da porta; VIMAX_WEB_PORT troca. Nada de exótico, mas repare: “interface web local” quer dizer exatamente isso — não é produto hospedado, e não há camada de autenticação entre a porta e as suas chaves.

O que o agente faz entre a sua ideia e o seu MP4
A resposta honesta: o mesmo pipeline de uma equipe pequena de produção, sem as discussões.
Ler a premissa. Decidir um tom. Escrever um roteiro com cenas. Escolher um estilo visual e mantê-lo. Descrever cada cena como um plano, com posição de câmera e assunto. Gerar keyframes. Escolher entre candidatos. Animar. Montar. Verificar se o que foi montado ainda corresponde à premissa inicial.
O modo de falha interessante está na última etapa. Modelos de vídeo derivam. O casaco do personagem muda de cor entre planos. Um cômodo que tinha duas janelas passa a ter três. Quando um editor humano percebe, ele refilma ou corta em volta. Quando um agente percebe, ele precisa decidir se regenera — o que custa dinheiro — ou aceita a deriva. A resposta do ViMax, pelo que o README mostra, é apoiar-se na seleção de keyframes e no roteiro fixo. Não anuncia um verificador de consistência.
É isso que eu testaria primeiro se fosse avaliar a sério. Não “ele faz 30 segundos bonitos”. Peça quatro planos do mesmo personagem andando na mesma rua e conte quantas vezes a rua muda.
Onde encaixa e onde não encaixa
O ViMax não disputa com a timeline do Runway nem com um NLE de verdade. Disputa com a página em branco. O caso de uso realista é o que o exemplo do próprio repo sugere: peças curtas e autocontidas, em que tudo cabe num parágrafo — história infantil, explicador, prova de conceito para um pitch que ainda não tem orçamento.
Também é uma implementação de referência genuinamente útil para quem está construindo o próprio agente. A separação entre idea2video e script2video é a costura certa: um é agente criativo, o outro é agente de execução, e a maioria das pessoas que constrói esse tipo de ferramenta mistura os dois até virar uma bagunça impossível de manter.
Duas ressalvas, ditas sem rodeio. Primeiro, o README não declara licença. Para um repositório com 12.8K estrelas isso não é detalhe, é bloqueio para uso comercial até esclarecer. Segundo, o modelo de custo é invisível. Não há teto de orçamento, nem estimativa por execução, nem modo dry-run no quick start — você descobre quanto custa um desenho animado de quatro cenas quando a fatura chega.
O OpenMontage, o outro grande repositório de vídeo agêntico deste mês, foi na direção oposta: portões rígidos, teto padrão declarado de US$ 10, limite de aprovação de cinquenta centavos por ação. O ViMax escolheu o fluxo. As duas opções se defendem. Só uma sobrevive ao contato com um departamento financeiro.
A parte que vai envelhecer bem
Em um ano, os modelos de vídeo que o ViMax chama estarão melhores e mais baratos, e alguém terá reescrito o schema de config. O que provavelmente fica é o padrão de interação: entregue ao sistema uma premissa, não um prompt; deixe que ele mostre keyframes candidatos em vez de uma única tomada; mantenha o roteiro como o contrato que os planos precisam cumprir.
Esse padrão já aparece em todo lugar — em vídeo-para-jogo, onde um clipe gerado vira o documento de design que um agente de código precisa seguir; no OpenMontage, onde o pipeline pausa para aprovação em cada portão criativo. A indústria passou dois anos discutindo qual modelo vence. A discussão mais útil, a que esses repositórios realmente travam, é sobre quem tem permissão para tomar a segunda decisão.
Artigos relacionados
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
GPT Image 2.6 manteve o preço por token e elevou a fatura
O GPT Image 2.6 mantém cada tarifa por token do 2.5 e mesmo assim custa mais por imagem, porque boa parte do trabalho acontece agora nos tokens de saída. Onze dias após o lançamento, a estrutura de preços diz mais que o ranking.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.