Hacer video con código: un modelo abierto de 27B se hizo cargo

En Xiaohongshu hay una publicación de principios de noviembre que 1233 personas guardaron y 47 se pelearon en los comentarios. La afirmación es directa: «Opus tardó 291 yuanes en hacer una pieza de motion 3D. Me pasé a Code2Video, el open source de SenseTime, y costó 2,8. Cien veces menos.»
Ese tipo de publicación no suele durar tres días, porque es demasiado fácil de rebatir. El comentario más votado lo hace bien: contando depuración y retrabajo, seguir con Opus 5.5 quizá salga más barato. El precio unitario bajo se paga con tiempo y número de iteraciones.
Pero detrás de esa publicación hay algo que merece mirarse en serio. El 28 de octubre SenseTime subió los pesos de SenseNova 6.8 Code2Video a Hugging Face: 27B parámetros, 512K de contexto, Apache-2.0 en la ficha del modelo. Lo que hace no es de la misma categoría que Sora o Runway. No adivina píxeles. Escribe código.
Cada fotograma es una función del tiempo
Un modelo de video convencional muestrea todo el clip de una vez. Quieres los subtítulos dos puntos más grandes, así que vuelves a escribir el prompt y a muestrear, y lo peor es que lo que no pediste cambiar también puede cambiar. La cara deja de coincidir.
Code2Video entra por otra puerta. Escribe código en HTML/CSS, Canvas, SVG, Three.js, Manim o p5.js, y define cada fotograma como una función pura del tiempo t: dado cualquier instante, el programa calcula de forma única la posición, la deformación y el color de cada elemento en ese milisegundo. El render captura fotograma a fotograma, sin depender del reloj en tiempo real del sistema. El mismo código ejecutado cien veces da una salida idéntica.

La ruta trae un efecto secundario: el texto y los números dejan de embarrarse. Los subtítulos, las fórmulas, los valores de un gráfico se componen desde el código fuente, no se adivinan como píxeles. Quien haya hecho video con IA sabe que el texto en la imagen es donde primero se rompe todo, el chino sobre todo.
Cambiar también sale más barato. Los elementos del código tienen nombre; cambiar un tamaño de letra, un instante, una paleta es tocar esas líneas y nada más. El ejemplo oficial es un panel de aeropuerto de solapas, revisado tres veces: primero un panel oscuro bajo un foco, luego un vestíbulo pastel luminoso, al final un avión y viajeros arrastrando maletas. En las tres rondas, el texto, el timing y el movimiento de solapas que nadie pidió cambiar quedaron exactamente igual.
SenseTime también publicó los prompts con los que se hicieron las piezas y los registros completos del agente, con los tropiezos incluidos. El repositorio trae un directorio skills/code-video con 8 guías de dominio. Leído de corrido, se parece más a un manual para enseñarle a tu agente a hacer video que a una ficha de modelo.
En la tabla todavía faltan 483 puntos
El valor de esta ruta hay que verlo sobre una tabla.
HeyGen actualizó en Kaggle una tabla llamada Code2Video: se le da al modelo un brief creativo muy detallado, escribe código dentro del framework HyperFrames para producir un clip, y luego se puntúa contra una referencia hecha por una persona. Los ocho primeros son todos modelos cerrados. Claude Opus 5.5 va primero con 33,5 % en bruto. Los modelos abiertos como GLM, Kimi y DeepSeek rondan el 10 %.
Artificial Analysis replicó esa evaluación con una medida más fina: Opus 5.5 tiene 1536 de Elo, el modelo abierto general más fuerte, DeepSeek V4.1 Flash, solo 1053. Una diferencia de 483.
Hay una frase en las notas de la tabla con la que estoy de acuerdo: muchos modelos de frontera saben escribir HTML, CSS y JS, pero para convertir código en un video confiable el modelo tiene que entender la imagen en la dimensión del tiempo, no solo dibujar bonito una página estática. Saber hacer una web no es saber filmar. Una página estática gana colocando bien los elementos; un video tiene que hacer que los elementos se muevan en el momento correcto, a la velocidad correcta, en el orden correcto: cuándo entra el título, cómo saltan los bloques de números al ritmo, en qué fotograma cae el golpe de bombo.
Por eso el hueco de en medio era incómodo: si quieres resultado, pagas un modelo cerrado a decenas de yuanes el clip y sin despliegue local; si quieres ahorrar con open source, los modelos generales no se entrenaron para video. Code2Video llena ese espacio, con el método de especializar.
Primero, tres cuentas
La primera es el hardware. 27B parámetros, pesos BF16 de unos 54GB. La documentación da tres comandos de despliegue, LightLLM, vLLM y SGLang, todos con paralelismo de tensor 4, cuatro tarjetas como mínimo, y el contexto de 512K pide memoria KV extra. Suena tremendo, pero la base Qwen3.8-27B es ahorradora: cuantizada a Q4 queda en unos 18GB y corre en una sola 4090 de 24GB. En Douyin, un creador con un Mac Studio de 64G dio un solo prompt para que la IA detectara la configuración, instalara el entorno y desplegara el modelo, y luego lo conectó a Claude Code por CC Switch, casi sin teclear comandos. Otro corrió la versión cuantizada a 4 bits en una computadora normal de 32G de RAM.
La segunda es el tiempo. Oficialmente aguanta más de 10 horas y más de 2000 rondas. Leída al revés, la frase significa: el trabajo de todos modos lleva eso. En la práctica, un clip terminado tarda de decenas de minutos a una o dos horas, según la potencia local. No es video en un clic, es video dejándolo correr.
La tercera es la capacidad. Los límites oficiales lo dicen claro: motion graphics, explicaciones, escenas 2D/3D estilizadas, visualización de datos, sí; imagen filmada realista, no. El creador de Douyin probó varias cosas: cardumen de peces que gira en sincronía sin líder, un gato dibujado con series de Fourier, con más círculos y contorno más nítido, dispersión por prisma, interferencia de dos fuentes, doble péndulo caótico, biela y manivela, cinta de Möbius. Fluido, y el punto se entiende. Son justo imágenes que se pueden escribir como código. Si quieres textura de acción real y planos de cine, esto no es para eso.
Incluso la documentación oficial sugiere dejar el refuerzo del prompt a un modelo más fuerte como Claude. Esa honestidad es rara.
La licencia tiene dos etiquetas
«El código se puede usar comercialmente» merece un signo de interrogación. La ficha en Hugging Face dice Apache-2.0, pero la raíz del repositorio de GitHub no tiene archivo LICENSE por ahora, y la API de GitHub no lee ninguna licencia. El repositorio además tiene la propiedad de ejecutar comandos de shell, y el README advierte explícitamente que se corra en un entorno aislado.
Al 4 de noviembre, el repositorio de GitHub tiene unas 390 estrellas y la página del modelo en HF 93 me gusta. En jerga del oficio, todavía very early. Tampoco hay un benchmark sistemático, solo ejemplos cualitativos, y el acabado y la estabilidad en tramos largos van claramente por detrás de los modelos cerrados más fuertes. Lo que se ve son piezas de ejemplo, no puntajes.
Si de verdad vas a usarlo, hay un detalle que vale copiar: trae un juego de scripts de verificación cuya idea es leer en frío los fotogramas clave, generar hojas de contacto y comprobar resolución, número de fotogramas, fotogramas negros y fotogramas congelados. La aceptación solo anota lo que se ve en los píxeles, no lo que está escrito en el código. Ese principio dura más que el modelo, porque que el código corra no significa que la imagen esté bien: una fórmula corrida un dígito, subtítulos cortados, el sujeto demasiado pequeño, y el compilador no dice nada.
Lo que de verdad se abrió es el costo marginal
Volvamos a la publicación del principio. No dice que el open source alcanzó al cerrado. La tabla está ahí, faltan 483 puntos, y esa brecha no se cierra a corto plazo.
Lo que se abrió es el costo marginal. Alguien corrió Opus 5.5 con 9 agentes en paralelo durante 6 horas para un tráiler, quemó 187 millones de tokens y recibió una factura de 190 dólares. Otro gastó 270 dólares en un video de 8,5 minutos, de los cuales 200 fueron retrabajo. Con modelos cerrados lo caro no es generar, es rehacer: seis rondas, seis facturas.
Con el modelo en tu propia máquina, cien clips cuestan más o menos lo mismo que uno; lo que queda es la luz. Una diferencia de ese tamaño es concreta para tres tipos de gente: las cuentas matriz en etapa de arranque, que necesitan costo bajo y publican divulgación, datos, rankings, donde el volumen vuelve aterrador el consumo de tokens en cerrado; las empresas estatales y entidades públicas que deben desplegar en red interna, con modelo, base de conocimiento y aplicación aislados físicamente, datos que no pueden salir; y los capacitadores y docentes que rehacen material, donde una animación de 30 segundos vale más que mil frases.
El punto de quiebre no es quién es más fuerte. Es quién puede rehacerlo sin costo, una y otra vez. Eso es justo el punto débil de los cerrados, y el lugar donde un modelo pequeño como el 27B gana más.
Artículos relacionados
La regla de exportación ya no apunta al chip, sino al cliente
La norma no prohíbe chips: prohíbe el anonimato. Y mueve la unidad de control del hardware a la relación con el cliente final.
La noticia de Nvidia no fue el informe: fue el comité
En nueve días el consejo produjo una investigación, una presidencia y un comité de cumplimiento. No es control del calendario: es reacción.
Nvidia tuvo que ponerle precio a su fundador
En nueve días, Nvidia cambió de CEO y de consejo sin perder un trimestre. El mercado, mientras tanto, le puso precio a lo que valía un solo hombre.
Una hoja de cálculo comunitaria de toques que apaga la publicidad de los Android chinos
No toca el sistema, no desbloquea nada, no flashea nada. Solo mueve los interruptores que los fabricantes ya dejaron a la vista. El precio es una lista que alguien tiene que seguir escribiendo.