隆重推出 Code2Video-AA，这是我们对 HeyGen 的 Code2Video Bench 的独立实现，用于评估模型用代码创建产品和品牌营销视频的能力
Code2Video-AA 在 114 个设计简报上测试模型，要求它们将每个产品或品牌营销简报转化为 @HyperFrames_ HTML 作品，再由我们渲染成视频。模型输出通过与其它模型输出的两两比较在五个维度上进行评估：吸引力（Engagement）、提示意图（Prompt Intent）、构图（Composition）、时间一致性（Temporal Consistency）和工艺（Craft）。我们利用这些比较的结果计算每个维度的 Elo 评分，然后取平均值得到总体的 Code2Video-AA Elo。Code2Video-AA 是与 @HeyGen 合作构建的。
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，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 在全部五个评审维度上领先：模型在 5 个维度上接受评审：吸引力（Engagement）、提示意图（Prompt Intent）、构图（Composition）、时间一致性（Temporal Consistency）和工艺（Craft）。Claude Sonnet 5.5（max with fallback，1443）与 GPT-6 Astra（max，1427）在总分上并列第二，差距在统计误差范围内
➤ 每个任务的成本相差超过 300 倍，从 $0.01 到 $3.89：排名第四的 GPT-6.1 Sol（max）每任务成本为 $0.31，比 Claude Opus 5.5（max with fallback）的 $3.08 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）是最顶尖的开放权重模型，每任务成本为 $0.01 至 $0.08
Code2Video-AA 详情：
➤ 模型在无工具的单一响应下接受测试。我们使用 HyperFrames 进行渲染，且无网络访问
➤ 一个评审（Gemini 4 Argon，high）在五个维度上对成对视频进行比较：吸引力、提示意图、构图、时间一致性和工艺，最终得分由各维度单独的 Elo 组合计算得出
➤ 超过 35,000 个判定结果对 27 个模型进行 Elo 排名，并提供 95% 置信区间
更多结果、示例视频以及 Code2Video-AA 的工作原理将在下方推文串中呈现