← ブログに戻る
Ai読了目安 16 分

コードで動画をつくるという仕事を、27B のオープンモデルが受け止めた

公開日 2026年11月7日
コードで動画をつくるという仕事を、27B のオープンモデルが受け止めた

小紅書(Xiaohongshu)に、11 月初旬に 1233 人が保存し、コメント欄で 47 人が言い争った投稿があります。書き方は率直です。「Opus で 3D モーショングラフィックスを 1 本つくったら 291 元かかった。商湯のオープンソース Code2Video に替えたら 2.8 元で、コストが 100 倍違う」

こういう投稿はたいてい三日と持ちません。反論しやすいからです。コメント欄で最も支持された反論も的確で、デバッグとやり直しを数に入れれば、Opus 5.5 をそのまま使うほうが安いかもしれない、というものでした。低い単価は、時間と反復回数で買っているのです。

ただ、この投稿の裏には真面目に見る価値のあるものがあります。商湯は 10 月 28 日、SenseNova 6.8 Code2Video の重みを Hugging Face に公開しました。27B パラメータ、512K コンテキスト、モデルカードは Apache-2.0。やっていることは Sora や Runway とはまるで別の種類です。ピクセルを推測するのではなく、コードを書きます。

すべてのフレームは時間の関数

従来の動画モデルは、一度のサンプリングで映像全体を出します。字幕のサイズを二段階上げたいなら、プロンプトをやり直して再サンプリングする。いちばん困るのは、頼んでいない部分まで一緒に変わりうることです。顔が合わなくなります。

Code2Video は入口が違います。HTML/CSS、Canvas、SVG、Three.js、Manim、p5.js のコードを書き、各フレームを時間 t の純粋関数として定義します。任意の時刻を与えれば、そのミリ秒におけるすべての要素の位置、変形、色を一意に計算できます。レンダリングはフレームごとに取り込み、システムのリアルタイムクロックに依存しません。同じコードを百回走らせても、出力は寸分違わない。

空の 35mm フィルムのコマが、照明の当たったガラス台の上でかすかに光っている。フィルムに文字や印はない。

この路線には副産物があります。文字と数字がもうぼやけません。字幕、数式、グラフの中の数値はソースコードから組版されたもので、モデルが推測したピクセルではありません。AI 動画を触った人なら分かるでしょうが、画面の中の文字は最も破綻しやすい場所で、中国語はとくにそうです。

直すのも安く済みます。コードの中の要素には名前があり、文字サイズ、タイミング、配色を変えるとき、触るのはその数行だけで、ほかのコードは動きません。公式の例は空港のパタパタ表示板で、三回の修正をしています。まずスポットライトの下の暗い板、次に明るいパステルのロビー、最後に飛行機と荷物を引く旅客を足す。三回を通して、頼まれていないコピー、タイミング、パタパタの動きはすべてそのまま残りました。

商湯は今回、制作に使ったプロンプトと Agent のログ全文も公開しました。踏んだ穴まで一緒に出しています。リポジトリには skills/code-video ディレクトリが付き、8 本の領域ガイドが入っています。通して読むと、モデルカードというより「自分の Agent に動画の作り方を教える」教材に近いものです。

リーダーボードではまだ 483 点足りない

この路線の価値は、一枚のリーダーボードの上に置いて見る必要があります。

HeyGen は Kaggle で Code2Video というボードを更新しました。モデルに細かいクリエイティブ brief を渡し、HyperFrames フレームワークの中でコードを書かせて映像を出させ、人が作った参照映像と比べて採点します。上位八位はすべてクローズドモデルで、Claude Opus 5.5 が 1 位、素点は 33.5%。GLM、Kimi、DeepSeek といったオープンモデルはおおむね 10% 前後にいます。

Artificial Analysis はこの評価を再現し、もっと細かい基準で測りました。Opus 5.5 の Elo は 1536、最強のオープン汎用モデル DeepSeek V4.1 Flash は 1053 で、483 点の差があります。

ボードの説明文に、私は納得する一文を見つけました。多くのフロンティアモデルは HTML、CSS、JS を書けます。ですがコードを信頼できる動画に変えるには、静的なページをきれいに描くだけでなく、時間軸の上で画面を理解する必要があります。ウェブページが書けることは、映像が撮れることではありません。静的ページは要素を正しく置けば勝ちです。動画は、要素を正しい時刻に、正しい速度で、正しい順序で動かさなければならない。タイトルがいつ入るか、数字のブロックがどうリズムに乗るか、ドラムがどのフレームに当たるか。

だから以前の空白地帯は居心地の悪いものでした。効果が欲しければクローズドを有料で使い、一本数十元でローカル配備もできません。オープンで安く上げたくても、汎用モデルは動画用に訓練されていません。Code2Video が埋めるのはそこであり、使うのは「専用化」という方法です。

まず三つの勘定

一つ目はハードウェアです。27B パラメータ、BF16 の重みで約 54GB。公式は三つのデプロイコマンドを出していて、LightLLM、vLLM、SGLang のいずれもテンソル並列 4、4 枚から。512K コンテキストには追加の KV メモリも要ります。怖く聞こえますが、土台の Qwen3.8-27B 自体が安上がりで、Q4 に量子化すれば 18GB ほど、24GB の 4090 一枚で動きます。抖音では、64G の Mac Studio で一行のプロンプトだけを渡し、AI に構成の検出、環境構築、モデルのデプロイまでやらせ、CC Switch 経由で Claude Code につないだ人がいました。手で打ったコマンドはほとんどありません。別の人は 4bit 量子化版を、32G メモリの普通の PC で動かしています。

二つ目は時間です。公式は 10 時間以上、2000 回以上の連続実行ができるといいます。この文を裏返すと、この仕事はもともとそれだけかかる、ということです。実測では一本の完成品に数十分から一、二時間、ローカルの計算力しだいです。ワンクリックで出る動画ではなく、放置して出る動画です。

三つ目は能力です。公式が制限として自ら書いています。モーショングラフィックス、解説、様式化された 2D/3D シーン、データ可視化はできる。実写映像はできない。抖音のその人はいくつか試しています。魚群の創発(先導する魚がいなくても同期して向きを変える)、フーリエ級数で猫を描く(円が多いほど輪郭がはっきりする)、プリズムの分散、二波源の干渉、混沌とした二重振り子、クランクと連接棒、メビウスの帯。映像は滑らかで、要点も伝わります。どれも「コードに書ける画面」です。実写の質感を持つ映画のショットが欲しいなら、これはそのためのものではありません。

公式でさえ、「プロンプト強化」の工程は Claude のような強いモデルに任せるよう勧めています。この正直さは珍しいものです。

ライセンスには二つの表示がある

「コードは商用利用できる」という言葉には疑問符が付きます。Hugging Face のモデルカードは Apache-2.0 と書いていますが、GitHub リポジトリのルートには今のところ LICENSE ファイルがなく、GitHub API からライセンスを読めません。リポジトリ自体が「shell コマンドを実行する」性質を持っていて、README では隔離された作業環境で動かすよう明確に警告しています。

11 月 4 日時点で、GitHub リポジトリは約 390 スター、HF のモデルページは 93 いいね。業界の言葉で言えば、まだ very early。公式も体系的な benchmark は用意しておらず、定性的なサンプルだけを出しています。画面の完成度と長距離の安定性は、最強のクローズドモデルに明らかに劣ります。見えるのはサンプル映像であって、スコアではありません。

実際に使うなら、真似する価値のある細部があります。検査スクリプトが同梱されていて、考え方はキーフレームをコールドリードし、コンタクトシートを生成し、解像度、フレーム数、黒フレーム、フリーズフレームを検証するというものです。受け入れの基準は「ピクセルに見えているもの」だけを書き、「コードに何が書いてあるか」は書きません。この原則はモデル本体より長持ちします。コードが通っても画面が正しいとは限らないからです。数式が一桁ずれても、字幕が切れても、被写体が小さすぎても、コンパイラは一言も言いません。

本当にこじ開けられたのは限界費用

冒頭の投稿に戻ります。それが言っているのは「オープンがクローズドに追いついた」ではありません。ボードはそこにあり、まだ 483 点足りません。この差は短期間では埋まりません。

こじ開けられたのは限界費用です。ある人は Opus 5.5 で 9 個の agent を並列に 6 時間走らせて予告編を一本つくり、1.87 億トークンを燃やして請求は 190 ドルでした。別の人は 8.5 分の動画に 270 ドルかけ、うち 200 ドルは作り直しの費用でした。クローズドで動画をつくるとき、高いのは生成だけではありません。やり直しです。6 回直せば、6 回請求されます。

モデルを自分のマシンに置いてしまえば、百本つくるのと一本つくるのでコストはほとんど変わりません。残るのは電気代だけです。この規模の差は、三種類の人にとって現実的です。アカウント立ち上げ期に低コストを必要とするマトリクス運用者で、解説、データ、ランキングといった内容を扱い、量が増えるとクローズドのトークン消費は恐ろしいことになります。内部ネットワーク配備が必須の国有企業や政府系企業で、モデル、ナレッジベース、アプリをすべて物理的に隔離し、データを外に出せません。教材を繰り返しつくる企業研修の講師や教員で、千言を並べるより 30 秒の小さなアニメーションを一本流すほうがいい。

転換点は「どちらが強いか」ではありません。「誰がゼロコストで繰り返しつくれるか」です。後者はちょうどクローズドの急所であり、27B のような小さなモデルがいちばん得をする場所でもあります。

関連記事