Artificial Analysis 发布 Code2Video-AA，27 个模型做营销视频实测

我们推出 Code2Video-AA，这是我们对 HeyGen 的 Code2Video Bench 的独立实现，用于评估模型通过代码制作产品和品牌营销视频的能力。

Code2Video-AA 用 114 份设计简报测试模型，要求它们把每份产品或品牌营销简报转换成 @HyperFrames_ 的 HTML 合成，再由我们渲染成视频。

模型输出会与其他模型的输出做两两比较，从五个维度评估：吸引力、提示词意图、构图、时间一致性和制作工艺。我们用这些比较的结果为每个维度计算 Elo 评分，再取平均值，得出 Code2Video-AA 的总 Elo 评分。

Code2Video-AA 是与 @HeyGen 合作开发的。

Claude Opus 5.5（max with fallback，1536）以 93 分的优势领跑 Code2Video-AA，但每个任务成本为 3.08 美元，约为 GPT-6.1 Sol（max，1369）的 10 倍，后者落后 167 分。

主要发现：

➤ Claude Opus 5.5 在全部五个评判维度上领先：模型按 5 个维度评判：吸引力、提示词意图、构图、时间一致性和制作工艺。Claude Sonnet 5.5（max with fallback，1443）和 GPT-6 Astra（max，1427）在总分上并列第二，统计上无显著差异。

➤ 每个任务的成本相差超过 300 倍，从 0.01 美元到 3.89 美元：排名第四的 GPT-6.1 Sol（max）每个任务成本为 0.31 美元，比 Claude Opus 5.5（max with fallback）的 3.08 美元低约 90%。

➤ 开放权重模型至少落后 483 分：DeepSeek V4.1 Flash（max，1053）、MiMo-V2.6-Flash（1052）和 MiMo-V2.6-Pro（1052）是排名最高的开放权重模型，每个任务成本在 0.01 到 0.08 美元之间。

Code2Video-AA 详情：

➤ 模型在不使用工具的情况下进行单次响应测试。我们用 HyperFrames 渲染，且不联网。

➤ 评判模型（Gemini 4 Argon，high）从五个维度比较成对视频：吸引力、提示词意图、构图、时间一致性和制作工艺，最终得分由各维度 Elo 综合计算得出。

➤ 超过 35,000 次评判按 Elo 对 27 个模型排名，并给出 95% 置信区间。

更多结果、示例视频以及 Code2Video-AA 的工作原理，请见下方推文串。