← Voltar ao blog
Aicerca de 8 min de leitura

Fazer vídeo com código: um modelo aberto de 27B assumiu a tarefa

Publicado 7 de nov. de 2026
Fazer vídeo com código: um modelo aberto de 27B assumiu a tarefa

No Xiaohongshu há um post de começo de novembro que 1233 pessoas salvaram e 47 brigaram nos comentários. A afirmação é direta: "O Opus levou 291 yuans para fazer uma peça de motion 3D. Troquei pelo Code2Video, o open source da SenseTime, e custou 2,8. Cem vezes menos."

Post assim costuma não durar três dias, porque é fácil demais de refutar. O comentário mais votado faz isso bem: contando debug e retrabalho, continuar no Opus 5.5 talvez saia mais barato. O preço unitário baixo é pago com tempo e número de iterações.

Mas atrás desse post tem uma coisa que merece uma olhada séria. Em 28 de outubro a SenseTime colocou os pesos do SenseNova 6.8 Code2Video no Hugging Face: 27B parâmetros, 512K de contexto, Apache-2.0 no model card. O que ele faz não é da mesma categoria que Sora ou Runway. Ele não adivinha pixels. Ele escreve código.

Cada quadro é uma função do tempo

Um modelo de vídeo convencional amostra o clipe inteiro de uma vez. Você quer a legenda dois pontos maior, então refaz o prompt e reamostra, e o pior é que o que você não pediu para mudar também pode mudar. O rosto deixa de bater.

O Code2Video entra por outra porta. Ele escreve HTML/CSS, Canvas, SVG, Three.js, Manim ou p5.js, e define cada quadro como função pura do tempo t: dado qualquer instante, o programa calcula de forma única a posição, a deformação e a cor de cada elemento naquele milissegundo. A renderização captura quadro a quadro, sem depender do relógio em tempo real do sistema. O mesmo código rodado cem vezes dá uma saída idêntica.

Um trecho de fotogramas 35mm em branco brilhando fracamente sobre uma mesa de vidro iluminada, sem nenhuma marca.

A rota traz um efeito colateral: texto e números deixam de borrar. Legendas, fórmulas, os valores de um gráfico são compostos a partir do código-fonte, não adivinhados como pixel. Quem já fez vídeo com IA sabe que o texto na imagem é onde tudo quebra primeiro, o chinês principalmente.

Mexer também sai mais barato. Os elementos no código têm nome; mudar corpo de fonte, instante, paleta é tocar nessas linhas e em nada mais. O exemplo oficial é um painel de aeroporto de lâminas, revisado três vezes: primeiro um painel escuro sob um refletor, depois um saguão pastel claro, por fim um avião e passageiros arrastando malas. Nas três rodadas, o texto, o timing e o movimento das lâminas que ninguém pediu para mudar ficaram exatamente iguais.

A SenseTime também publicou os prompts usados para fazer os filmes e os logs completos do agent, com os tropeços incluídos. O repositório traz uma pasta skills/code-video com 8 guias de domínio. Lido de ponta a ponta, parece mais um manual para ensinar seu agent a fazer vídeo do que um model card.

Na tabela ainda faltam 483 pontos

O valor dessa rota precisa ser visto em cima de uma tabela.

A HeyGen atualizou no Kaggle uma tabela chamada Code2Video: dá-se ao modelo um brief criativo bem detalhado, ele escreve código dentro do framework HyperFrames para produzir um clipe, e depois a nota sai contra uma referência feita por humano. Os oito primeiros são todos modelos fechados. Claude Opus 5.5 está em primeiro, com 33,5% bruto. Modelos abertos como GLM, Kimi e DeepSeek ficam perto de 10%.

A Artificial Analysis replicou essa avaliação com uma medida mais fina: Opus 5.5 tem 1536 de Elo, o modelo aberto generalista mais forte, DeepSeek V4.1 Flash, só 1053. Uma diferença de 483.

Tem uma frase nas notas da tabela com que concordo: muitos modelos de fronteira sabem escrever HTML, CSS e JS, mas para transformar código em um vídeo confiável o modelo precisa entender a imagem na dimensão do tempo, não só desenhar bonito uma página estática. Saber fazer uma página web não é saber filmar. Uma página estática ganha colocando os elementos no lugar; um vídeo precisa fazer os elementos se moverem no momento certo, na velocidade certa, na ordem certa: quando o título entra, como os blocos de número pulam no ritmo, em que quadro cai a batida do bumbo.

Por isso o vazio do meio era desconfortável: quer resultado, paga modelo fechado a dezenas de yuans o clipe e sem deploy local; quer economizar com open source, e os modelos generalistas não foram treinados para vídeo. O Code2Video preenche esse espaço, pelo método da especialização.

Primeiro, três contas

A primeira é hardware. 27B parâmetros, pesos BF16 em torno de 54GB. A documentação dá três comandos de deploy, LightLLM, vLLM e SGLang, todos com paralelismo de tensor 4, quatro placas no mínimo, e o contexto de 512K pede memória KV extra. Parece assustador, mas a base Qwen3.8-27B é econômica: quantizada em Q4 fica em uns 18GB e roda numa única 4090 de 24GB. No Douyin, um criador num Mac Studio de 64G deu um único prompt para a IA detectar a configuração, instalar o ambiente e fazer o deploy do modelo, e depois ligou tudo no Claude Code via CC Switch, quase sem digitar comando. Outro rodou a versão quantizada em 4 bits numa máquina comum com 32G de RAM.

A segunda é o tempo. Oficialmente aguenta mais de 10 horas, mais de 2000 rodadas. Lida ao contrário, a frase quer dizer: o trabalho leva isso de qualquer jeito. Na prática, um clipe pronto leva de dezenas de minutos a uma ou duas horas, conforme a potência local. Não é vídeo em um clique, é vídeo deixando rodando.

A terceira é a capacidade. Os limites oficiais dizem com clareza: motion graphics, explicação, cenas 2D/3D estilizadas, visualização de dados, sim; imagem filmada realista, não. O criador do Douyin testou algumas coisas: cardume de peixes que vira em sincronia sem líder, um gato desenhado com séries de Fourier, com mais círculos e contorno mais nítido, dispersão por prisma, interferência de duas fontes, pêndulo duplo caótico, biela e manivela, fita de Möbius. Fluido, e o ponto chega. São exatamente imagens que dá para escrever como código. Se você quer textura de live action e planos de cinema, não é essa a ferramenta.

Até a documentação oficial sugere entregar o reforço de prompt a um modelo mais forte, como o Claude. Essa honestidade é rara.

A licença tem duas etiquetas

"O código pode ser usado comercialmente" merece um ponto de interrogação. O model card no Hugging Face diz Apache-2.0, mas a raiz do repositório no GitHub não tem arquivo LICENSE no momento, e a API do GitHub não lê licença nenhuma. O repositório ainda carrega a propriedade de executar comandos shell, e o README avisa explicitamente para rodar em ambiente isolado.

Até 4 de novembro o repositório no GitHub tem cerca de 390 estrelas e a página do modelo no HF 93 curtidas. No jargão, ainda very early. Também não há benchmark sistemático, só exemplos qualitativos, e o acabamento da imagem e a estabilidade em trechos longos ficam claramente atrás dos modelos fechados mais fortes. O que se vê são filmes de exemplo, não notas.

Se for usar de verdade, tem um detalhe que vale copiar: ele traz um conjunto de scripts de verificação cuja ideia é ler a frio os keyframes, gerar contact sheets e checar resolução, número de quadros, quadros pretos e quadros congelados. A aceitação só anota o que se vê nos pixels, não o que está escrito no código. Esse princípio dura mais que o modelo, porque código que roda não quer dizer imagem certa: uma fórmula errada por um dígito, legenda cortada, sujeito pequeno demais, e o compilador não diz uma palavra.

O que de fato foi aberto é o custo marginal

Voltando ao post do começo. Ele não está dizendo que o open source alcançou o fechado. A tabela está ali, faltam 483 pontos, e essa diferença não se fecha no curto prazo.

O que foi aberto é o custo marginal. Alguém rodou o Opus 5.5 com 9 agents em paralelo por 6 horas para um trailer, queimou 187 milhões de tokens e recebeu uma conta de 190 dólares. Outro gastou 270 dólares num vídeo de 8,5 minutos, sendo 200 de retrabalho. Com modelo fechado, o caro não é gerar, é refazer: seis rodadas, seis cobranças.

Com o modelo na sua máquina, cem clipes custam mais ou menos o que custa um; sobra a conta de luz. Uma diferença dessa ordem é concreta para três tipos de gente: as redes de contas em fase de lançamento, que precisam de custo baixo e publicam divulgação, dados, rankings, onde o volume torna o consumo de tokens no fechado assustador; as estatais e órgãos públicos que precisam de deploy em rede interna, com modelo, base de conhecimento e aplicação fisicamente isolados, dados que não podem sair; e os instrutores e professores que refazem material didático, onde uma animação de 30 segundos vale mais que mil frases.

O ponto de virada não é quem é mais forte. É quem consegue refazer sem custo, sem parar. Isso é justamente o ponto fraco dos fechados, e o lugar onde um modelo pequeno como o 27B ganha mais.

Artigos relacionados