27款模型代码写视频实测：Claude Opus 5.5登顶，性价比之王竟是它

让AI用代码生成视频，成本能差出100倍——一个花3美元，一个只花3美分，成片质量究竟差多少？Artificial Analysis 发布的 Code2Video Benchmark 给出了一个相当有参考价值的答案：他们向全球主流27款模型发出114份设计需求，要求模型在不借助任何外部工具的前提下，独立编写一个HTML文件来制作视频，比如让聊天气泡循环变色，或者完成一段产品界面演示。模型负责布局与动画逻辑，再由 Hyperframe 渲染成片，且每道题只有一次提交机会，不能看成片后返工。

渲染成功率不再是门槛，审美才是

这轮测试的结果首先说明一件事：代码生成的基础能力已经不再是区分模型的主要维度。每款模型的渲染成功率都超过96%，代码基本都能跑起来。换句话说，真正的考验从"能不能做出来"转向了"做得好不好看"——动画的节奏感、视觉吸引力、排版细节，这些更接近设计审美的维度成了拉开差距的关键。这也意味着，当所有模型都能交付一个可运行的HTML文件时，评价体系的重心自然向成品质量迁移。

评分环节交给 Gemini 4 Argon，在互动性、需求符合度、构图、时间一致性和制作技巧五个维度上进行两两对比。这种成对比较的方式，比绝对打分更能反映模型之间的相对水平。

成对比较（pairwise comparison） 是一种常见的模型评测方法：评测者每次只看两个模型对同一需求产出的结果，判断哪一个更好，而不对所有结果做绝对打分。相比绝对打分，成对比较降低了评测者主观尺度漂移带来的噪声，也更适合比较风格差异明显、难以用统一量表衡量的生成内容。在 LLM 与生成式 AI 的基准测试中，成对比较的结果通常用 Bradley-Terry 模型或 Elo 评分体系聚合成全局排名，文章中的“总分1536”即是这种聚合后的相对分数，而非百分制得分。

排名格局：Opus 5.5领先，尾部差距悬殊

最终排名中，Claude Opus 5.5 以总分1536位列第一，平均任务成本3.08美元。而垫底的 Nimotron 3 Ultra 与第一名相差1232分，成本却低至3美分，与Opus形成约100倍的价格差。对比两者成片，质量差距确实肉眼可见——这也直接回应了开头那个问题：便宜确实有便宜的代价，在纯审美维度上，低价模型很难与头部模型抗衡。

不过，头部模型的领先并非没有代价。Opus 5.5 每题3.08美元的成本，对于需要批量生成视频的场景来说并不便宜。

Hyperframe 在这类测试中承担的是“确定性渲染器”的角色：模型只输出 HTML/CSS/JavaScript 代码，由外部渲染引擎在固定视口、固定帧率下逐帧捕获并编码为视频。这样做的好处是把“代码生成质量”和“视频编码质量”解耦，避免不同模型因为调用不同的视频生成后端而产生不可比的结果。同时，渲染环节的标准化也保证了“一次提交、不能返工”的规则可以严格执行——评测方拿到的就是模型最终交付的代码，渲染结果即最终成绩。

性价比视角：GPT 6.1 与 Mimo 的另一种答案

如果换一个评价维度，结论会完全不同。GPT 6.1 总排名第四，平均每题只花0.31美元，大约是Opus的十分之一。而排名第十的 Mimo 总分1052，成本仅1美元，却远高于3美分的 Nimotron。这说明在"够用就好"的场景下，中端模型提供的性价比非常突出：花十分之一的钱拿到接近头部的排名，对成本敏感的团队来说可能是更务实的选择。

这种分层其实揭示了 Code2Video 这类任务的成本结构——高价模型买到的是审美上限，而中端模型买到的是可接受的完成度。选择哪个，取决于你的视频是要拿去做品牌级物料，还是快速验证想法。

单文件 HTML 约束看似只是工程细节，实际上对模型能力提出了几项隐性要求：模型必须把结构（HTML）、样式（CSS）和动画时序（JavaScript 或 CSS 动画）全部组织在一个文件内，不能依赖外部库、CDN 或素材资源；这意味着它要自行处理布局系统、动画循环、时间轴协调等通常由框架代劳的问题。约束越严格，越能暴露模型对前端渲染机制的理解深度，也使得不同模型之间的产出在同一渲染环境下具有可比性。

这个基准测试真正说明了什么

Code2Video Benchmark 的价值不止于一张排名表。它把"用代码写视频"拆解成可量化的工程问题：单文件HTML、一次提交、无外部工具，这几乎是最苛刻的约束条件，也因此最能暴露模型在布局理解和动画时序上的真实水平。

从结果看，模型间的竞争已经进入审美和成本的双重博弈阶段。排名靠前的模型在视觉质量上领先，但成本高出数量级；中端模型以极低成本提供可用的成片。对实际使用者而言，与其纠结谁第一，不如先明确自己的场景需要哪一种平衡。如果你的项目对视觉细节要求不高、但需要大量产出，低成本中端模型显然是更理性的起点；反之，追求品牌级视觉表现时，头部模型的溢价才有意义。