English | 中文说明

---

Generative Manim

🎨 由 GPT-4o 驱动的生成式视频。概念。 ⚡️ 在这里加入我们的 Discord 服务器！

---

🚀 概念

Generative Manim（GM）是一套工具，允许您使用 GPT-4 或 Claude 等大型语言模型（LLM）通过 Manim 创建视频。其理念是让任何人都能仅凭文本创作出精彩的动画内容✨。

该项目最初是一个基于 GPT-4 生成 Manim 视频的 Web 应用原型。该想法旨在利用 LLM 在编程、自然语言理解方面的强大能力，结合 Manim 的动画制作功能，打造一款人人皆可使用的视频创作工具，无论其编程或视频编辑技能如何。

• 🖐️ Generative Manim 演示：查看 Generative Manim 的演示！
• 🔬 Generative Manim API：基于动画处理接口（API）进行开发。
• 🧑‍💻 Generative Manim 开发者社区：加入我们的 Discord 服务器，学习新知识、分享您的作品等！
• 🍎 Generative Manim Streamlit（旧版）：首次探索 LLM 与动画结合的可能性。

💻 模型

模型是 Generative Manim 的核心。模型的作用是将文本转换为代码，随后这些代码可以渲染成视频。

名称	描述	引擎	阶段
GM GPT-4o	OpenAI 最新的 GPT 模型，基于自定义系统提示词驱动	GPT-4o	✅
GM GPT-3.5 微调	GPT-3.5 的首个微调模型	GPT-3.5	✅
GM GPT-3.5 物理微调	经过微调、专为生成物理动画而训练的 GPT-3.5 模型	GPT-3.5	✅
GM Claude Sonnet	基于 Sonnet 的 Claude Sonnet 3 模型，并结合我们自定义的系统提示词	claude-3-sonnet-20240229	✅
GM Claude Sonnet 3.5	基于 Sonnet 的 Claude Sonnet 3.5 模型，并结合我们自定义的系统提示词	claude-3-5-sonnet-20240620	✅
GM Qwen 2.5 Coder 7B	使用 SFT + DPO + GRPO 流程微调的开源模型	Qwen2.5-Coder-7B-Instruct	🚧
GM DeepSeek Coder V2 Lite	使用 SFT + DPO + GRPO 流程微调的开源模型	DeepSeek-Coder-V2-Lite	🚧
GM CodeLlama 7B	使用 SFT + DPO + GRPO 流程微调的开源模型	CodeLlama-7b-Instruct	🚧

📡 新模型

如果您希望建议新的模型，请在 仓库 中提交问题，或在我们的 Discord 服务器 中与我们交流。

🧠 训练流程

我们正在训练 开源模型，以使用从 GPT-4o 提炼而来的三阶段流程生成 Manim 代码：

1. SFT（监督微调）——基于 5,000 多个经过验证的提示词到代码对进行训练。
2. DPO（直接偏好优化）——从渲染成功/失败对中学习。
3. GRPO（群体相对策略优化）——以 Manim 渲染器作为确定性奖励信号的强化学习。

关键洞察：Manim 是一个 确定性验证器——代码要么成功渲染，要么崩溃。这取代了对奖励模型的需求，类似于 DeepSeek-R1 使用数学答案检查器的方式。

基础模型：Qwen 2.5 Coder 7B、DeepSeek Coder V2 Lite、CodeLlama 7B——均采用 QLoRA（4 位）技术，以便在免费的 Kaggle T4 GPU 上运行。

📏 基准测试

Generative Manim 现已包含用于专家级 Manim 代码生成的可执行基准测试 MVP，位于 training/benchmarks 目录下。

该基准测试围绕编程评估的正确基元构建：

• 冻结的任务集
• 基于渲染的评分
• Manim 特有的结构检查
• 随机代码生成的 pass@k
• 可重现的 JSONL 和 JSON 报告

从这里开始：

cd training
python -m benchmarks.run export \
  --suite benchmarks/tasks/core_v1.jsonl \
  --output ./outputs/benchmarks/core_v1_prompts.jsonl

然后使用生成的提示文件运行 python -m eval.generate_responses ...，或者通过以下命令运行完整流程：

bash ./scripts/run_benchmark.sh qwen2.5-coder-7b ./outputs/grpo/qwen2.5-coder-7b benchmarks/tasks/core_v1.jsonl grpo 5 0.8 1,5

有关基准测试的设计和工作流程，请参阅 training/benchmarks/README.md。

当您完成多次基准测试后，可以通过以下命令进行比较：

cd training
python -m benchmarks.compare --results-dir ./outputs/benchmarks --suite core_v1

或者从清单文件中运行整个基准矩阵：

cd training
python -m benchmarks.matrix --manifest benchmarks/manifests/open_source_core_v1.json --dry-run

✨ 赞助商

Generative Manim 目前由 The Astronomical Software Company 赞助。

🤲 贡献

Generative Manim 是一个开源项目。

如果您想成为新功能的作者、修复 bug 或做出其他贡献，

请 fork 该仓库并根据需要进行修改。我们热烈欢迎 pull requests。同时，您也可以加入我们的 Discord 服务器，讨论新功能、bug 或其他话题。

Generative Manim 快速上手指南

Generative Manim 是一个利用大语言模型（如 GPT-4o、Claude 等）自动生成 Manim 动画代码的工具套件。它让无需编程或视频编辑经验的用户也能通过文本描述创建精美的数学和物理动画。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows (推荐 WSL2)
• Python: 版本 3.8 或更高
• Manim 社区版: 需预先安装 Manim 渲染引擎
• API Key: 需要 OpenAI API Key 或 Anthropic API Key（取决于您选择的模型）
• FFmpeg: 用于视频编码（通常随 Manim 自动安装，若报错请手动安装）

前置依赖安装 (Manim):

pip install manim
# 验证安装
manim --version

提示: 国内用户若遇到 PyPI 下载缓慢，可使用清华源加速： pip install manim -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

克隆项目仓库并安装必要的 Python 依赖：

git clone https://github.com/360macky/generative-manim.git
cd generative-manim

# 安装核心依赖
pip install -r requirements.txt

若需使用特定的微调模型或进行本地推理，请参考 api/ 目录下的具体文档配置相应环境。

基本使用

Generative Manim 的核心流程是：输入自然语言提示词 -> LLM 生成 Manim 代码 -> 渲染为视频。

1. 配置 API Key

在使用前，请在终端设置您的 API 密钥（以 OpenAI 为例）：

export OPENAI_API_KEY="your-sk-xxxxxx"
# 如果使用 Claude
export ANTHROPIC_API_KEY="your-key-xxxxxx"

2. 生成并渲染动画

虽然项目包含 Web Demo 和 Streamlit 界面，最直接的用法是通过命令行调用生成脚本。以下是一个基于 Python 脚本调用的最小化示例逻辑：

创建一个名为 generate_video.py 的文件：

import os
from generative_manim.core import generate_code, render_video

# 1. 定义提示词
prompt = "Create an animation showing a circle transforming into a square."

# 2. 调用 LLM 生成 Manim 代码 (以 GPT-4o 为例)
# 注意：具体函数名可能随版本更新变化，此处为核心逻辑示意
code = generate_code(
    prompt=prompt,
    model="gpt-4o", 
    system_prompt="You are an expert Manim developer."
)

# 将生成的代码保存为 .py 文件
with open("scene.py", "w") as f:
    f.write(code)

# 3. 使用 Manim 渲染视频
# 等价于命令行: manim -pql scene.py MainScene
render_output = os.system(f"manim -pql scene.py MainScene")

if render_output == 0:
    print("视频生成成功！")
else:
    print("渲染失败，请检查生成的代码。")

运行脚本：

python generate_video.py

3. 使用官方基准测试工具 (进阶)

如果您想评估不同模型生成代码的能力，可以使用内置的 Benchmark 工具：

cd training

# 导出测试任务集
python -m benchmarks.run export \
  --suite benchmarks/tasks/core_v1.jsonl \
  --output ./outputs/benchmarks/core_v1_prompts.jsonl

# 运行完整基准测试流程 (以 Qwen2.5-Coder-7B 为例)
bash ./scripts/run_benchmark.sh qwen2.5-coder-7b ./outputs/grpo/qwen2.5-coder-7b benchmarks/tasks/core_v1.jsonl grpo 5 0.8 1,5

生成的视频文件通常位于项目根目录或 media/ 文件夹下。您可以加入项目的 Discord 社区获取更多高级用法和模型微调细节。