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.

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
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
GPT Image 2.6 manteve o preço por token e elevou a fatura
O GPT Image 2.6 mantém cada tarifa por token do 2.5 e mesmo assim custa mais por imagem, porque boa parte do trabalho acontece agora nos tokens de saída. Onze dias após o lançamento, a estrutura de preços diz mais que o ranking.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.