用程式碼做影片這件事,被一個 27B 的開源模型接住了

小紅書上有則貼文,十一月初被 1233 人收藏,留言區 47 個人吵翻了。貼文的說法很直白:「Opus 做一支 3D 動效片花了 291 塊,我換成商湯開源的 Code2Video,只花了 2 塊 8,成本差了 100 倍。」
這種貼文通常活不過三天,因為它太好反駁了。留言區最高讚的反駁也確實到位:算上除錯和重做,直接用 Opus 5.5 說不定更省錢。低單價是用時間和迭代輪數換來的。
但這則貼文背後有個東西值得認真看。商湯 10 月 28 日把 SenseNova 6.8 Code2Video 的權重放上了 Hugging Face,27B 參數,512K 上下文,模型卡標 Apache-2.0。它做的活跟 Sora、Runway 完全不是同一類:它不猜像素,它寫程式碼。
每一幀都是時間的函數
傳統影片模型是一次取樣出整段畫面。你想把字幕字級改大兩號,得重新提示、重新取樣,最要命的是你沒讓它改的地方也可能跟著一起變,人臉對不上了。
Code2Video 換了個入口。它寫 HTML/CSS、Canvas、SVG、Three.js、Manim 或 p5.js 的程式碼,把每一幀定義為時間 t 的純函數:給定任意一個時間點,程式就能唯一算出那一毫秒所有元素的位置、形變和顏色。算圖時逐幀擷取,不依賴系統即時時鐘。同一份程式碼跑一百次,輸出分毫不差。

這條路線帶來一個副產品:文字和數字不再糊。字幕、公式、圖表裡的數值是從原始碼排版出來的,不是模型猜出來的像素。做過 AI 影片的人都知道,畫面裡的文字是最容易翻車的地方,中文尤其。
改起來也更省。程式碼裡的元素都有名字,改字級、改時間點、換配色,動的就是那幾行,其他程式碼不動。官方給的例子是一個機場翻牌螢幕,三輪修改:先做聚光燈下的深色牌子,再換成明亮的粉彩大廳,最後加上飛機和拖著行李的旅客。三輪下來,沒被要求改的文案、時序、翻牌動作全部原樣保留。
商湯這次還公開了做片用的提示詞和完整的 Agent 紀錄,連踩過的坑一起放出來了。儲存庫裡附了 skills/code-video 目錄,帶 8 份領域指南。連著看下來,它更像一本「教你家 Agent 做影片」的教材,而不是一張模型卡。
榜單上還差著 483 分
這套路線的價值得放在一張榜單上看。
HeyGen 在 Kaggle 上更新過一個叫 Code2Video 的榜:給模型一份很細的創意 brief,讓它在 HyperFrames 框架裡寫程式碼出片,再跟人做的參考片對比打分。前八名清一色是閉源模型,Claude Opus 5.5 排第一,原始分 33.5%。GLM、Kimi、DeepSeek 這些開源模型基本都在 10% 上下。
Artificial Analysis 複製了這套評測,標準更細:Opus 5.5 的 Elo 是 1536,最強的開源通用模型 DeepSeek V4.1 Flash 只有 1053,差了 483 分。
榜單說明裡有一句話我很認同:很多前沿模型都會寫 HTML、CSS 和 JS,但要把程式碼變成一支可靠的影片,模型得在時間維度上理解畫面,不只是把靜態頁面畫好看。會寫網頁,不等於會拍片。一個靜態頁面擺對元素就贏了;一支影片要讓元素在正確的時刻、以正確的速度、按正確的順序動起來,標題什麼時候進場,數字色塊怎麼跟著節奏跳,鼓點卡在哪一幀。
所以之前的中空地帶很尷尬:想要效果就付費用閉源,一支幾十塊還不能地端部署;想用開源省錢,通用模型又不是為影片訓練的。Code2Video 填的是這塊地方,用的是「專用化」的辦法。
先算三筆帳
第一筆是硬體。27B 參數,BF16 權重約 54GB。官方給了三套部署指令,LightLLM、vLLM、SGLang 都寫著張量平行 4,四卡起跳,512K 上下文還要額外的 KV 視訊記憶體。聽著嚇人,但底座 Qwen3.8-27B 本身省,量化到 Q4 只有 18GB 左右,單張 24GB 的 4090 就能跑。抖音上有博主在 64G 的 Mac Studio 上,只用一行提示詞就讓 AI 自己偵測配置、裝環境、部署模型,再透過 CC Switch 接進 Claude Code,全程沒手動敲幾條指令。另一個博主用 4bit 量化版,在 32G 記憶體的普通電腦上就跑起來了。
第二筆是時間。官方說它能連續跑 10 小時以上、2000 多輪。這句話反過來讀就是:這活兒本來就要這麼久。實測下來單支成片幾十分鐘到一兩個小時,取決於地端算力。這不是一鍵出片,是掛機出片。
第三筆是能力。官方自己寫在限制裡:動態圖形、科普講解、風格化 2D/3D 場景、資料視覺化能做;寫實拍攝畫面做不了。抖音上那個博主拿它試了幾件事,魚群湧現(沒有領頭魚也能同步轉向)、用傅立葉級數畫貓(圓越多輪廓越清晰)、稜鏡色散、雙波源干涉、混沌雙擺、曲柄連桿、莫比烏斯帶,畫面流暢,知識點講得明白。這些恰好都是「可以寫成程式碼的畫面」。你要真人實拍質感的電影鏡頭,它不是幹這個的。
甚至連官方都建議,把「提示詞增強」這一步交給 Claude 這種更強的模型來做。這份誠實挺難得。
授權有兩處標註
程式碼可以商用這句話得打個問號。Hugging Face 的模型卡標的是 Apache-2.0,但 GitHub 儲存庫根目錄目前沒有 LICENSE 檔案,GitHub API 讀不到授權。儲存庫本身還帶著「會執行 shell 指令」的屬性,官方在 README 裡明確警告要在隔離的工作環境裡跑。
截至 11 月 4 日,GitHub 儲存庫大約 390 星,HF 模型頁 93 個讚。用行話說,還在 very early。官方也沒搭系統性的 benchmark,只給了定性範例,畫面完成度和長程穩定性明顯落後最強的閉源模型。你能看到的是範例片,不是分數。
真要用,有個細節值得抄:它自帶一套檢查腳本,思路是冷讀關鍵影格、產生聯絡表、校驗解析度影格數黑影格和凍結影格。驗收只寫「像素裡看到的」,不寫「程式碼裡寫了什麼」。這個原則比模型本身更耐用,因為程式碼能跑通,不代表畫面對,公式錯一位、字幕被裁、主體太小,編譯器一句都不會報。
真正被撬開的是邊際成本
回到開頭那則貼文。它說的不是「開源追上閉源了」,榜單擺在那,還差 483 分,這個差距短期補不平。
被撬開的是邊際成本。有人用 Opus 5.5 平行 9 個 agent 跑了 6 小時做一支預告片,燒掉 1.87 億 token,帳單 190 美元。還有人做一支 8.5 分鐘的影片花了 270 美元,其中 200 美元是改來改去的重做費。閉源做影片,貴的不只是生成,是重做:你改 6 輪,每一輪重新計費。
模型部署在自己機器上之後,跑一百支和跑一支的成本差不了太多,剩下的只有電費。這個量級的差別,對三類人是實打實的:起號階段要低成本的矩陣號,做科普、資料、排行榜這類內容,量一上來閉源的 token 消耗很恐怖;必須內網部署的國企和政企,模型、知識庫、應用全部實體隔離,資料不能出本地;反覆做課件的企訓講師和老師,講一千句不如放一段 30 秒的小動畫。
這個轉折點不在「誰更強」,在「誰能零成本地反覆做」。後者恰好是閉源的死穴,也是 27B 這種小模型最佔便宜的地方。
相關文章
一份社群維護的點擊表,關掉了中國品牌 Android 系統裡的廣告
它不動系統,不解鎖,不刷機,只把廠商本來就留出來的開關一個個撥過去。代價是這份名單得一直有人續寫。
GPT Image 2.6 守住 token 價格,帳單卻變貴了
GPT Image 2.6 沿用 2.5 的全部 token 費率,每張圖卻更貴,因為更多工作現在花在輸出 token 上。上線十一天,定價結構說得比排行榜更多。
有人從外部重寫了 IDM,並寫下自己沒碰過的部分
Mister Download Manager 用 Rust 重寫了 Internet Download Manager 的下載流程,聲稱速度快 5 倍、支援 86 種語言。更值得細讀的,是它解釋如何在不複製任何程式碼的前提下完成重寫的那一段。
Rune 是一個 Rust UI 框架,設計初衷是讓 agent 能檢查自己的工作
Rune 能無頭繪製、匯出元素樹並接受腳本化輸入,這讓編碼 agent 拿到截圖永遠給不了的東西,一個可 diff 的訊號。這個框架仍是預先發布版,不接受 pull request。