测了 27 个模型做营销视频：最强和最划算的不是同一个

Artificial Analysis 与 HeyGen 合作发布了一个新基准 Code2Video-AA。它是对 HeyGen 的 Code2Video Bench 的独立实现，用来衡量模型能不能把一个产品/品牌营销简报变成一段视频。

怎么测

27 个模型，114 个设计简报。每个模型读简报，写一个 HyperFrames HTML 组合文件，不能调用工具。HyperFrames 把这个文件渲染成视频，渲染时无网络访问。渲染失败的视频，自动输掉所有对比。

裁判是 Gemini 4 Argon（high）。对同一个简报的两个视频，以 8 fps 逐对比较，按五个维度打分：Engagement（吸引力）、Prompt Intent（需求遵从）、Composition（构图）、Temporal Consistency（时间一致性）、Craft（制作精细度）。每个维度单独做一次 Bradley-Terry 拟合，算出该维度的 Elo。Elo 是通过逐对胜负关系计算的相对分数，国际象棋、电竞常用。总 Elo 是五个维度 Elo 的平均值，锚定 GPT-5.5 (xhigh) 为 1000。

整个过程超过 35,000 次裁定，排了 27 个模型，置信区间 95%。

Code2Video-AA 结果：柱状图为各模型 Elo，散点图为 Elo 与单任务成本的关系，含 Pareto 前沿

结果

Claude Opus 5.5（max with fallback）总分第一，Elo 1536，领先第二名 93 分。但单任务成本 3.08 美元。Claude Sonnet 5.5（max with fallback，1443）和 GPT-6 Astra（max，1427）统计上并列第二。GPT-6.1 Sol（max）第四，1369 分，单任务成本只要 0.31 美元，约为 Opus 5.5 的十分之一。

Claude Opus 5.5 在五个维度全部第一。craft 领先优势最大，比 Sonnet 5.5 高 128 分；prompt intent 领先优势最小，48 分。temporal consistency 是所有维度里模型差距最小的，Elo 极差 1057 分，其他四个维度极差在 1222 到 1349 分之间。没有模型在单维度排名和总排名之间变动超过 6 位。

五个维度上各模型的 Elo 分布

成本

单任务成本从 0.01 美元到 3.89 美元，跨度超过 300 倍。分数高不代表一定要花更多钱：GPT-6.1 Sol 排名第四，成本只有第一名的十分之一。8 个模型落在 Pareto 前沿上，从 MiMo-V2.6-Flash（1052 分，0.01 美元）到 Claude Opus 5.5（1536 分，3.08 美元）。

开放权重模型目前落后至少 483 分。最强的开放权重模型是 DeepSeek V4.1 Flash（1053 分）、MiMo-V2.6-Flash（1052）和 MiMo-V2.6-Pro（1052），单任务成本在 0.01 到 0.08 美元之间。

Elo 与成本：8 个模型落在 Pareto 前沿

示例

同一个简报：一个循环变色的聊天气泡。四个模型的输出如下。Claude Opus 5.5 花了 3.08 美元、约 152k tokens；DeepSeek V4.1 Flash 0.08 美元、65k tokens；MiniMax-M3 0.08 美元、63k tokens；Nemotron 3 Ultra 0.03 美元、11k tokens。

评论区有人算账：单任务 3.08 美元做一条营销视频，可能还不如请个人。有网友说，终于有基准像真实客户一样：渲染不出来直接判负。还有人替客户加需求：真正的 benchmark 是第 115 个需求——视频不变，logo 再放大一点，周五要交。

感谢 HeyGen 的 Code2Video Bench 和 HyperFrames。