منصوبے کے بارے میں

Code2Video سنگاپور کی نیشنل یونیورسٹی کے Show Lab کا ایک تحقیقی منصوبہ ہے، جو ICML 2026 کے لیے قبول کیا گیا ہے اور علمی نکات سے تعلیمی ویڈیوز تیار کرتا ہے۔ یہ پکسل پر مبنی ٹیکسٹ ٹو ویڈیو ماڈلز پر انحصار کرنے کے بجائے قابل عمل کوڈ کو ویڈیو کی زمانی ترتیب اور مقامی ترتیب دونوں کے لیے ذریعہ سمجھتا ہے، اور حتمی نتیجہ رینڈر کرنے کے لیے Manim Community v0.19.0 استعمال کرتا ہے۔ یہ فریم ورک تین باہم تعاون کرنے والے ایجنٹس کے گرد بنایا گیا ہے۔ ایک Planner علمی نکتے کو اسٹوری بورڈ میں پھیلاتا ہے، ایک Coder ڈیبگ کے قابل Manim کوڈ تیار کرتا ہے، اور ایک Critic اینکرز کا استعمال کرتے ہوئے لے آؤٹ اور جمالیات کو بہتر بناتا ہے۔ ریپوزٹری نوٹ کرتی ہے کہ بہترین Manim کوڈ کا معیار Claude-4-Opus کے ساتھ حاصل ہوا، جبکہ لے آؤٹ اور جمالیاتی اصلاح Gemini API key استعمال کرتی ہے، اور gemini-2.5-pro-preview-05-06 کو بہترین کارکردگی والی ترتیب بتایا گیا ہے۔ ایک اختیاری IconFinder API key ویڈیوز کو آئیکنز سے مالا مال کرتی ہے۔ شروع کرنے کے لیے src/requirements.txt سے ڈیپنڈنسیاں انسٹال کرنا اور api_config.json میں API اسناد بھرنا ضروری ہے۔ دو شیل اسکرپٹس بنیادی ورک فلو کا احاطہ کرتی ہیں: run_agent_single.sh کمانڈ لائن پر دیے گئے ایک علمی نکتے سے ویڈیو بناتی ہے، جبکہ run_agent.sh long_video_topics_list.json میں بیان کردہ تمام یا موضوعات کے ذیلی مجموعے کو چلاتی ہے، جس میں آؤٹ پٹ فولڈر پری فکس، زیادہ سے زیادہ تصورات کی تعداد اور متوازی گروپوں کی تعداد کے پیرامیٹرز ہوتے ہیں۔ تیار کردہ کیسز CASES ڈائریکٹری کے تحت فولڈر پری فکس کے مطابق منظم ہوتے ہیں۔ یہ منصوبہ MMMC بینچ مارک بھی جاری کرتا ہے، جسے کوڈ سے چلنے والی ویڈیو جنریشن کا پہلا بینچ مارک قرار دیا گیا ہے، اور یہ 3Blue1Brown سے متاثر 117 منتخب سیکھنے کے موضوعات کا احاطہ کرتا ہے۔ تشخیص تین جہتوں میں منظم ہے: eval_TQ.py کے ذریعے علم کی منتقلی، eval_AES.py کے ذریعے جمالیاتی اور ساختی معیار، اور کارکردگی کے پیمانے جیسے ٹوکن کا استعمال اور عمل درآمد کا وقت۔ اضافی ڈیٹا اور تشخیصی اسکرپٹس Hugging Face پر میزبانی کیے گئے ہیں۔ README ویڈیو ڈیٹا کے ماخذ اور وضاحت و جمالیات کے حوالے کے طور پر 3Blue1Brown کے اسباق کو خراج تحسین پیش کرتا ہے، اور Manim Community، IconFinder اور Icons8 کا اعتراف کرتا ہے۔ README کا چینی ترجمہ بھی فراہم کیا گیا ہے۔ یہ ریپوزٹری ایک تحقیقی کوڈ بیس ہے نہ کہ پیک شدہ ایپلیکیشن، لہٰذا صارفین کو توقع رکھنی چاہیے کہ وہ خود بیرونی LLM، VLM اور اثاثہ APIs ترتیب دیں گے۔