DataMagic 用声明式多智能体编排把原始表格数据变成数据视频，质量从 2.13/5 提升到 3.89/5，执行成功率超过 95%

DVSpec 把数据视频分解为有序场景序列，每个场景包含 content、narration、animation 三部分，并用数据驱动的语义引用（如 {"sale_date": "2025-01-30"}）绑定视觉与动画元素，用旁白索引触发替代绝对时间戳。 既有声明式可视化规范（Vega-Lite、Canis 等）擅长单图或单图动画，但不覆盖多模态、多场景的数据视频；既有数据视频工具依赖手工 DOM 标识符与绝对时间戳，数据或旁白一变就失效。 论文以形式化定义给出场景 5 元组、动画 4 元组与旁白索引触发机制，并在系统实现中落地；消融显示即使去掉全局编排，Animation 维度仍保持 3.95，作者据此说明同步由 DVSpec 在声明层保证。

“先生成后编排”策略先由 Story Planner、Data Manager、Visual Designer 并行生成候选场景池，再由 Narration Director 与 Animation Coordinator 做全局场景选择、排序、上下文感知旁白生成与音画绑定。 以往 AI 辅助工具多只生成单个组件（图表或脚本），缺少跨场景的全局叙事组织；逐场景贪心生成容易造成信息冗余或叙事断裂。 消融实验以 Claude-Sonnet-4 为基座：去掉 Story Planner 平均分从 3.89 降到 3.44（-11.6%），去掉 Orchestration 降到 3.54（-9.0%），Intent 下降 12.4%、Narrative 下降 10.9%。

系统以 DVSpec 为共享可编辑状态，支持画布操作、结构化脚本编辑与自然语言命令三种交互模式，编辑被限定在目标场景内增量重渲染，不重跑整条流水线。 像素级生成模型把视频当作连续帧流，中间结果不透明、局部修改需重生成整段视频；DataMagic 让每次修改的作用域显式可控。 12 名参与者在 DataMagic 条件下每人都至少完成一次预期编辑，且全部 12 人在目标场景内成功应用修改而未扰动其余视频内容。

在 109 个真实样本上，DataMagic 把平均质量从直接生成基线的 1.91–2.22 提升到 3.38–3.89，执行成功率稳定在 95% 以上；用户研究中任务时间从 39.2 分钟降到 8.0 分钟。 直接生成方法执行成功率波动大（48.62%–86.24%），且动画与叙事维度最弱；DataMagic 在这两个维度提升最显著（Animation +120%，Narrative +72%）。 评测集来自 T2R-bench 与 DAComp-DA 共 60 个数据集、109 个样本，覆盖 6 个领域 22 个子领域；自动评分与 3 名专家在 60 个分层抽样视频上的总体 Pearson 相关为 0.91，各维度均超过 0.75。

该工作面向从单表表格数据生成多场景数据视频，当前实现以柱状图、折线图、面积图、散点图、饼图、热力图等数据绑定统计图表为主，图表范围由智能体提示、底层模型能力与已实现的渲染组件共同决定，可通过扩展渲染组件与生成规则拓宽。DVSpec 目前绑定单一渲染器（Remotion），规范与渲染的同步尚未跨后端泛化。系统面向需要把数据分析结果讲成视频的分析师、记者、教育者与业务汇报者，在 60–120 秒总时长与初始场景数约束下工作，并支持在生成后通过画布、脚本与自然语言三种方式做场景内细化。

数据视频领域目前仍缺少公认的公共基准，跨系统可复现比较有待建立；本文评测集虽覆盖 6 个领域 22 个子领域，但仍是单表输入，多表连接与更丰富的关系型数据尚未纳入。作者也指出，结构化动画模式在保证稳定与可读的同时会压缩创意多样性，如何把指南变成可被合理突破的软约束、或从范例中学习动画风格，仍是开放问题。此外，附录中的低质量案例显示在极端数据分布下仍会出现视口裁剪、跨模态数值不一致（旁白 40.6% 与标签 40.9%）以及语义偏离查询的情况，这些边界条件在正文汇总指标中不易体现。本文为全文阅读，但图表与附录细节以文字描述为主，具体视觉呈现仍需查阅原文。