尽管语言模型在诸多实际应用中已展现出显著影响力，视频生成仍主要局限于娱乐领域。受视频固有优势的启发——即其能够直观呈现仅靠语言难以表达的物理世界信息（例如，仅通过文字指导他人打领带将极为困难），我们识别出一个尚未被充分挖掘的机会：将视频拓展为下一事件预测（Next-Event Prediction, NEP）任务的一种新型回答模态，该任务被形式化为视频下一事件预测（Video-Next-Event Prediction, VNEP）。传统的NEP任务以一段视频及一个程序性或预测性问题作为输入，输出为对下一事件的文本预测；而VNEP则要求生成动态的视频作为回答。这一从“描述”到“展示”的转变，为程序性学习与创造性探索提供了更直观、更具个性化的响应方式。然而，现有模型在该任务上仍面临巨大挑战，因其需同时具备对多模态输入的理解能力、基于指令的推理能力，以及生成在视觉与语义上均保持一致的视频内容的能力。为应对上述挑战，我们提出VANS（Video-Next-Event Prediction with Alignment via Reinforcement Learning），该模型通过强化学习机制，实现视觉-语言模型（Vision-Language Model, VLM）与视频扩散模型（Video Diffusion Model, VDM）之间的对齐，以支持VNEP任务。VANS的核心是其提出的联合GRPO（Joint-GRPO）算法，该算法协同调度VLM与VDM，使其协同工作如同一个整体。在共享奖励机制的驱动下，该方法优化VLM生成既准确又易于视觉化呈现的描述文本，同时引导VDM生成与这些文本及输入视觉上下文高度一致的视频内容。为支持该学习过程，我们构建了VANS-Data-100K，一个专为VNEP任务设计的高质量数据集。在程序性与预测性基准测试中的实验结果表明，VANS在视频事件预测与视觉生成两个方面均达到了当前最优性能。相关代码已开源，地址为：https://github.com/KlingTeam/VANS。