言語モデルは多くの実世界の応用において大きな影響力を発揮している一方で、動画生成は依然としてエンタメ分野に限定されている。言語だけでは伝えにくい物理世界の情報を動画が持つ固有の表現力（たとえば、テキストのみでネクタイの結び方を教えることを想像してみよ）に着目し、次イベント予測（Next-Event Prediction, NEP）に対する新たな応答モダリティとして動画を活用する未開拓の機会を特定した。これを形式化したのが「動画次イベント予測（Video-Next-Event Prediction, VNEP）」である。従来のNEPタスクは、手順的または予測的な質問とともに動画を入力として、次のイベントをテキストで予測するが、VNEPでは動的な動画出力を要求する。この「説明する」から「示す」への転換により、手順学習や創造的探求においてより直感的かつカスタマイズ可能な回答が可能となる。しかし、既存モデルにとってこのタスクは依然として困難であり、マルチモーダル入力の理解、指示条件付きの推論、視覚的・意味的整合性を備えた動画生成という複数の要件を同時に満たす必要があるからである。これを解決するために、我々は視覚言語モデル（Vision-Language Model, VLM）と動画拡散モデル（Video Diffusion Model, VDM）を強化学習を用いて統合するVANSを提案する。VANSの核となるのは、VLMとVDMを統合的に制御するための新規手法である「Joint-GRPO」である。共通の報酬関数に基づき、それぞれの出力に対して最適化を行うことで、VLMは視覚化に適した正確なキャプションを生成するよう促され、VDMはそのキャプションおよび入力の視覚的文脈に忠実な動画を生成するよう導かれる。この学習を可能にするために、VNEPタスク専用のデータセット「VANS-Data-100K」を構築した。手順的および予測的ベンチマークにおける実験結果から、VANSが動画イベント予測および視覚化の両面で最先端の性能を達成することが示された。コードは https://github.com/KlingTeam/VANS にて公開されている。