← 返回部落格
Ai預計閱讀 10 分鐘

用程式碼做影片這件事,被一個 27B 的開源模型接住了

發布於 2026年11月7日
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。

一捲空白 35mm 底片在打亮的玻璃桌上微微發光,片上沒有任何標記。

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