← Zurück zum Blog
Aica. 7 Min. Lesezeit

Video aus Code: Ein offenes 27B-Modell hat das jetzt aufgefangen

Veröffentlicht 7. Nov. 2026
Video aus Code: Ein offenes 27B-Modell hat das jetzt aufgefangen

Auf Xiaohongshu gibt es einen Post, der Anfang November 1233-mal gespeichert wurde und bei dem sich 47 Leute in den Kommentaren stritten. Die Behauptung ist direkt: „Opus hat für einen 3D-Motion-Clip 291 Yuan gebraucht. Ich bin auf SenseTimes Open-Source-Modell Code2Video umgestiegen, da waren es 2,8. Faktor 100.“

Solche Posts überleben normalerweise keine drei Tage, weil sie zu leicht zu widerlegen sind. Der bestbewertete Kommentar trifft es auch: Rechnet man Debugging und Nacharbeit mit, ist Opus 5.5 vielleicht sogar billiger. Der niedrige Stückpreis wird mit Zeit und Iterationen bezahlt.

Aber hinter diesem Post steckt etwas, das man ernsthaft ansehen sollte. Am 28. Oktober hat SenseTime die Gewichte von SenseNova 6.8 Code2Video auf Hugging Face gestellt: 27B Parameter, 512K Kontext, Apache-2.0 auf der Model Card. Was es tut, ist keine andere Kategorie als Sora oder Runway, sondern eine ganz andere Sache. Es rät keine Pixel. Es schreibt Code.

Jedes Frame ist eine Funktion der Zeit

Ein herkömmliches Videomodell sampelt den ganzen Clip in einem Durchgang. Sie wollen die Untertitel zwei Stufen größer, also Prompt neu geben und neu samplen, und das Schlimmste ist, dass sich auch das ändern kann, was Sie nicht ändern wollten. Das Gesicht passt nicht mehr.

Code2Video kommt durch eine andere Tür herein. Es schreibt HTML/CSS, Canvas, SVG, Three.js, Manim oder p5.js und definiert jedes Frame als reine Funktion der Zeit t: Geben Sie einen beliebigen Zeitpunkt an, berechnet das Programm eindeutig Position, Verformung und Farbe jedes Elements in dieser Millisekunde. Das Rendering erfasst Bild für Bild, ohne Abhängigkeit von der Echtzeituhr des Systems. Derselbe Code hundertmal ausgeführt ergibt identische Ausgabe.

Eine Schleife leerer 35mm-Filmframes, die auf einem beleuchteten Glastisch schwach leuchtet, ohne jede Beschriftung.

Die Route hat einen Nebeneffekt: Text und Zahlen verschmieren nicht mehr. Untertitel, Formeln, die Werte im Diagramm werden aus dem Quellcode gesetzt, nicht als Pixel geraten. Wer schon AI-Video gemacht hat, weiß, dass Text im Bild die Stelle ist, an der es zuerst kaputtgeht, bei Chinesisch besonders.

Ändern ist auch billiger. Die Elemente im Code haben Namen; Schriftgröße, Zeitpunkt, Farbpalette ändern heißt, diese paar Zeilen anfassen und sonst nichts. Das offizielle Beispiel ist eine Flughafen-Anzeigetafel mit Klappzahlen, dreimal überarbeitet: erst eine dunkle Tafel im Spotlicht, dann eine helle Pastellhalle, dann ein Flugzeug und Reisende mit Gepäck. Über alle drei Runden blieben Text, Timing und Klappbewegung, die niemand ändern wollte, exakt erhalten.

SenseTime hat außerdem die Prompts veröffentlicht, mit denen die Filme entstanden sind, und die vollständigen Agent-Logs, samt der Fallstricke. Im Repo liegt ein Verzeichnis skills/code-video mit 8 Domänenleitfäden. Am Stück gelesen wirkt das eher wie ein Lehrbuch dazu, dem eigenen Agenten Videoproduktion beizubringen, als wie eine Model Card.

Auf dem Leaderboard fehlen noch 483 Punkte

Der Wert dieser Route gehört auf ein Leaderboard gestellt.

HeyGen hat auf Kaggle ein Board namens Code2Video aktualisiert: Das Modell bekommt ein sehr detailliertes Creative Brief, schreibt im HyperFrames-Framework Code und produziert einen Clip, der dann gegen eine menschliche Referenz bewertet wird. Die ersten acht Plätze sind ausschließlich geschlossene Modelle. Claude Opus 5.5 liegt mit 33,5 % Rohwert vorn. Offene Modelle wie GLM, Kimi und DeepSeek liegen um die 10 %.

Artificial Analysis hat diese Evaluation nachgebaut, mit feinerem Maß: Opus 5.5 kommt auf 1536 Elo, das stärkste offene Allroundmodell DeepSeek V4.1 Flash auf 1053. 483 Punkte Unterschied.

Ein Satz aus den Board-Notizen leuchtet mir ein: Viele Frontier-Modelle können HTML, CSS und JS schreiben, aber um Code in ein verlässliches Video zu verwandeln, muss das Modell das Bild in der Zeitdimension verstehen, nicht nur eine hübsche statische Seite zeichnen. Eine Webseite schreiben können heißt nicht, filmen können. Eine statische Seite gewinnt, wenn die Elemente richtig sitzen; ein Video muss Elemente zum richtigen Moment, mit der richtigen Geschwindigkeit, in der richtigen Reihenfolge bewegen — wann der Titel hereinkommt, wie die Zahlenblöcke den Rhythmus mitgehen, auf welchem Frame der Schlag der Kick sitzt.

Deshalb war die leere Mitte unangenehm: Wirkung wollen heißt geschlossenes Modell bezahlen, Dutzende Yuan pro Clip, kein lokales Deployment; sparen mit Open Source heißt, Allroundmodelle sind nicht für Video trainiert. Code2Video füllt diese Lücke, und zwar durch Spezialisierung.

Erst drei Rechnungen

Die erste ist die Hardware. 27B Parameter, BF16-Gewichte etwa 54GB. Offiziell gibt es drei Deployment-Befehle, LightLLM, vLLM und SGLang, alle mit Tensor-Parallel 4, vier Karten minimum, und 512K Kontext braucht zusätzlichen KV-Speicher. Klingt erschreckend, aber die Basis Qwen3.8-27B ist sparsam: auf Q4 quantisiert sind es rund 18GB, und eine einzelne 24GB 4090 reicht. Auf Douyin hat ein Creator auf einem 64G Mac Studio mit einem einzigen Prompt die KI die Konfiguration erkennen, die Umgebung installieren und das Modell deployen lassen und es dann über CC Switch in Claude Code gehängt, ohne kaum einen Befehl selbst zu tippen. Ein anderer hat die 4bit-quantisierte Version auf einem normalen Rechner mit 32G RAM laufen lassen.

Die zweite ist die Zeit. Offiziell läuft es über 10 Stunden, gut 2000 Runden. Rückwärts gelesen heißt der Satz: Die Arbeit dauert ohnehin so lange. In der Praxis braucht ein fertiger Clip je nach lokaler Rechenleistung zwischen einigen zehn Minuten und ein bis zwei Stunden. Das ist kein Ein-Klick-Video. Das ist ein Laufenlassen-Video.

Die dritte ist die Fähigkeit. Die offiziellen Grenzen sagen es klar: Motion Graphics, Erklärstücke, stilisierte 2D/3D-Szenen, Datenvisualisierung, ja; fotorealistisches Filmmaterial, nein. Der Douyin-Creator hat einiges ausprobiert: Fischschwarm-Emergenz, bei der sich alle ohne Anführer synchron drehen, eine Katze aus Fourier-Reihen, mehr Kreise für eine schärfere Kontur, Prismendispersion, Zwei-Quellen-Interferenz, chaotisches Doppelpendel, Kurbel und Pleuel, Möbiusband. Flüssig, und der Punkt kommt an. Das sind genau Bilder, die sich als Code schreiben lassen. Wer Live-Action-Textur und filmische Kameraführung will, ist hier falsch.

Sogar die offizielle Doku empfiehlt, das Prompt-Enhancement einem stärkeren Modell wie Claude zu überlassen. Diese Ehrlichkeit ist selten.

Die Lizenz hat zwei Angaben

„Der Code ist kommerziell nutzbar“ verdient ein Fragezeichen. Die Model Card auf Hugging Face sagt Apache-2.0, aber im Wurzelverzeichnis des GitHub-Repos liegt derzeit keine LICENSE-Datei, und die GitHub-API liest keine Lizenz. Das Repo hat außerdem die Eigenschaft, Shell-Befehle auszuführen, und das README warnt ausdrücklich, es in einer isolierten Umgebung laufen zu lassen.

Stand 4. November hat das GitHub-Repo etwa 390 Sterne, die HF-Modellseite 93 Likes. Im Branchenjargon: noch very early. Ein systematischer Benchmark fehlt auch, es gibt nur qualitative Beispiele, und Fertigkeit wie Langstreckenstabilität liegen deutlich hinter den stärksten geschlossenen Modellen. Was man sieht, sind Beispielfilme, keine Scores.

Wer es wirklich einsetzen will, sollte ein Detail kopieren: Es bringt Prüfskripte mit, deren Idee es ist, Keyframes kalt zu lesen, Kontaktabzüge zu erzeugen und Auflösung, Framezahl, schwarze Frames und eingefrorene Frames zu prüfen. Die Abnahme notiert nur, was in den Pixeln zu sehen ist, nicht, was im Code steht. Dieses Prinzip hält länger als das Modell, denn laufender Code heißt nicht richtiges Bild: eine Formel um eins daneben, Untertitel abgeschnitten, Motiv zu klein, und der Compiler sagt kein Wort.

Wirklich aufgebrochen sind die Grenzkosten

Zurück zum Post vom Anfang. Er sagt nicht, Open Source habe zu Closed aufgeschlossen. Das Board steht da, 483 Punkte fehlen, und diese Lücke schließt sich kurzfristig nicht.

Aufgebrochen sind die Grenzkosten. Jemand hat Opus 5.5 mit 9 parallelen Agents 6 Stunden laufen lassen, für einen Trailer, 187 Millionen Token verbrannt und eine Rechnung über 190 Dollar bekommen. Ein anderer hat 270 Dollar für ein 8,5-Minuten-Video ausgegeben, davon 200 Dollar Nacharbeit. Bei Closed ist das Teure nicht die Generierung, sondern die Nacharbeit: sechs Runden, sechs Rechnungen.

Steht das Modell erst auf der eigenen Maschine, kosten hundert Clips ungefähr so viel wie einer, übrig bleibt Strom. Eine Differenz dieser Größenordnung ist für drei Gruppen handfest: Matrix-Accounts in der Startphase, die niedrige Kosten brauchen und Erklär-, Daten- und Ranking-Inhalte machen, wo das Volumen den Token-Verbrauch bei Closed furchterregend macht; Staatsbetriebe und Behörden, die im Intranet deployen müssen, Modell, Wissensbasis und Anwendung physisch getrennt, Daten dürfen nicht nach draußen; und Trainer und Lehrkräfte, die Kursmaterial immer wieder neu bauen, wo eine 30-Sekunden-Animation mehr bringt als tausend Sätze.

Der Wendepunkt ist nicht, wer stärker ist. Er ist, wer es endlos zu Nullkosten wiederholen kann. Genau das ist die Schwachstelle der geschlossenen Modelle, und die Stelle, an der ein kleines Modell wie 27B am meisten gewinnt.

Verwandte Artikel