Claude Opus 5.5 One-Shot một Music Video: "Plan a Video" Thực Sự Tạo Ra Điều Gì

Một tín hiệu đăng lên X vào ngày 23 tháng 9 năm 2026 có nội dung: “Claude's Plan một video do opus 5.5 one-shotted,” kèm theo một lời tri ân gửi tới @jeffgwoah. Đó là một tuyên bố về demo, không phải tuyên bố phát hành — và nó rơi vào phía sai của thứ thường mới là điều quan trọng. Claude Opus 5.5 không phải là một mô hình chưa phát hành để phải đánh hơi ra từ một vụ rò rỉ. Anthropic đã phát hành nó vào ngày 22 tháng 9 năm 2026, với giá 4 đô la mỗi triệu token đầu vào và 20 đô la mỗi triệu token đầu ra. Nó mới được một ngày tuổi, đã được cung cấp rộng rãi, và đã nằm trong bảng giá. Vậy nên câu hỏi thú vị không phải là liệu Opus 5.5 có tồn tại hay không. Mà là những bài đăng “one-shotted một video” này thực sự đang cho thấy điều gì, bởi cụm từ đó có nghĩa hẹp hơn vẻ ngoài của nó, và sự khác biệt đó quyết định liệu bạn có thể dùng bất kỳ phần nào trong đó hay không.

Đây là phiên bản ngắn gọn, và đó chính là phần mà hầu hết các bài đăng lại đều bỏ sót: trong những bản demo chịu được sự kiểm chứng, Claude Opus 5.5 không tạo ra điểm ảnh. Nó viết mã để vẽ nên điểm ảnh. Đầu ra là một chương trình, không phải một tệp video.

Những gì hai bản demo đang lưu hành thực sự đã làm

Có hai tạo tác công khai đằng sau loại tuyên bố này, và cả hai đều có thể kiểm chứng vì cả hai đều đã công bố nguồn của chúng.

Đầu tiên là một video ca nhạc dài 156,6 giây cho bài hát có tên "I'm Upping My P(doom)", một repo có tên PDoomVideo được xuất bản trên GitHub vào ngày 22 tháng 9 năm 2026 — cùng ngày Opus 5.5 ra mắt. README của nó cho biết video "đã trải qua hai lần tạo sinh, cả hai đều trong Claude Code", lần đầu được ghi công cho Claude Opus 5.5 (Medium) và lần thứ hai cho Claude Opus 5.5 ở mức nỗ lực mặc định. Nó cũng cho biết rằng "mọi thứ trong kho lưu trữ này đều được tạo ra bởi mô hình" và rằng "không có ý tưởng cảnh nào được chỉ định" — hướng dẫn duy nhất được đưa ra là sử dụng một thiết kế nhân vật cụ thể và mang đến cho mỗi câu hát hình ảnh và chuyển cảnh thú vị.

Thứ hai là một repo demo gồm ba game được công bố vào ngày 23 tháng 9 năm 2026, gần với một thử nghiệm có kiểm soát hơn là một màn trình diễn: ba game 3D chơi được trên trình duyệt, mỗi game chỉ với một câu lệnh gợi ý duy nhất, được tạo trong một phiên duy nhất với điều mà repo mô tả là không có chỉnh sửa nào của con người vào mã, rồi được triển khai. Các game là HTML một tệp không có tài nguyên bên ngoài — mô hình, kết cấu, hoạt ảnh và âm thanh đều được tạo theo cách thủ tục bằng mã. Một trong ba game yêu cầu mô hình tra cứu bố cục chính thức của bản đồ game và dựng lại hình học của nó từ nghiên cứu đó trước khi viết bất cứ thứ gì.

Cả hai repo đều không phải là ấn phẩm của nhà cung cấp. Cả hai đều là tạo tác của bên thứ ba, được tự khai báo, và đặc biệt, tuyên bố “không có chỉnh sửa nào của con người” là một tuyên bố về lịch sử git, chứ không phải điều mà một bên bên ngoài đã kiểm toán. Hãy coi mô tả quy trình là lời kể của tác giả và bản thân các tạo tác là bằng chứng.

Bảng phân cảnh mới là đầu ra thực sự

Chi tiết quyết định liệu "one-shotted" có phải là một mô tả xác đáng hay không là một tệp trong repo đầu tiên có tên STORYBOARD.md. Đó không phải danh sách cảnh quay của con người. Đó là một tài liệu mà mô hình tự viết cho chính nó sau lượt tạo sinh đầu tiên, và nó thực sự cụ thể: một quy tắc rằng "có gì đó diễn ra trên màn hình" trong mọi cảnh quay, một chỉ dẫn giữ văn bản ra khỏi khung hình, một dàn nhân vật được đặt tên với thiết kế cố định, một bảng màu chuyển từ kem ấm qua tím không gian đến đỏ báo động rồi quay lại, một quy tắc rằng biểu cảm nhân vật biến đổi dần thay vì thay đổi đột ngột, và một yêu cầu rằng mọi cú cắt phải được thúc đẩy bởi hành động — một cú ngoạm cắt sang đen, một cú ngã, một cú zoom xuyên qua một con mắt.

Tài liệu đó chính là kế hoạch mà văn bản tín hiệu đang chỉ tới. Mô hình đã tạo ra một bản tóm tắt chỉ đạo, rồi chạy các tác nhân phụ dựa trên nó song song, mỗi chương một tác nhân, mỗi tác nhân viết một tệp JavaScript để vẽ phân đoạn dòng thời gian của riêng nó.

Quy trình kết xuất khá bình thường và đáng để nói thẳng, vì đây chính là chỗ mà cách nhìn “AI đã làm ra một video” sụp đổ: các khung hình được vẽ trên một trang bằng p5.js và một thư viện cọ màu nước, một script Node điều khiển trang đó trong Chrome headless và chụp lại từng khung hình, còn ffmpeg ghép các khung hình với track âm thanh. Ở tốc độ 24 khung hình mỗi giây trong 156,6 giây, tức là khoảng 3.760 khung hình được kết xuất lần lượt từng khung một.

Vậy câu chính xác không phải là "Claude Opus 5.5 đã tạo ra một video." Mà là "Claude Opus 5.5 đã viết, rồi đạo diễn, một chương trình kết xuất ra một video." Sự phân biệt này không phải là chuyện câu nệ chữ nghĩa — đó chính là toàn bộ lý do kỹ thuật này hữu ích với bất kỳ ai không phải đang làm video ca nhạc.

Tại sao dòng “hai thế hệ” lại quan trọng hơn dòng “một lần”

Cùng một README lại làm suy yếu chính tiêu đề của nó. Video đã trải qua hai thế hệ, chứ không phải một. Lượt đầu tiên tạo ra một kết quả mà sau đó tác giả đã đẩy xa hơn; bảng phân cảnh và hướng dẫn hoạt họa — những tài liệu giúp cho lượt thứ hai trở nên mạch lạc — được viết sau lượt đầu tiên đó, chứ không phải trước đó.

Đó là hình hài trung thực của mọi tác vụ tạo sinh tầm xa nghiêm túc, và điều đó đáng được nói ra bởi cách định khung một phát ăn ngay tạo nên một kỳ vọng mà các sản phẩm đầu ra không đáp ứng được. Câu lệnh chỉ là một tin nhắn. Công việc thì không chỉ một lượt. Điều mô hình làm được là giữ một bản dựng lớn, gồm nhiều tệp, kéo dài nhiều giờ, gắn kết đủ tốt để lượt thứ hai là một lần chỉnh sửa thay vì một lần khởi động lại — một năng lực có thật và kém hào nhoáng hơn nhiều so với “một câu lệnh, một video”.

Có một con số độc lập mô tả điều này tốt hơn các bản demo. Artificial Analysis đã đo Claude Opus 5.5 trên Intelligence Index của mình ở mức 58 khi nỗ lực tối đa — điểm cao nhất mà tổ chức này từng ghi nhận, cao hơn các mô hình kế tiếp vài điểm — và báo cáo rằng mô hình tiêu thụ khoảng 119.000 token đầu ra cho mỗi tác vụ Index, so với khoảng 73.000 đối với Claude Opus 5 và khoảng 78.000 đối với Claude Fable 5.1. Nó sử dụng khoảng gấp 1,6 lần lượng token đầu ra và đạt mức chi phí gần như tương đương cho mỗi tác vụ (~5,98 USD so với ~5,86 USD) dù giá trên mỗi token thấp hơn 20%. Sinh tạo tầm xa chính là diện mạo của hồ sơ token đó khi nhìn từ bên ngoài: mô hình đang chi tiêu ngân sách cho chính mình.

Nơi các hiện vật không còn dùng được nữa

Các dạng thất bại trong loại công việc này mang tính nhất quán, và cả hai repo đều chỉ về cùng một dạng từ những hướng khác nhau.

• Đầu ra là một chương trình, không phải một tệp. Nếu bạn cần một tệp MP4 để đưa cho người khác, bạn vẫn cần Node, một trình duyệt và ffmpeg. Mô hình tạo ra trình kết xuất, chứ không phải bản kết xuất. Đó là một phụ thuộc lúc build mà bạn phải gánh mãi mãi.

• Nó tăng theo số khung hình, chứ không theo lời nhắc. 3.760 khung hình tốn một lượt chạy theo kịch bản qua đêm trên phần cứng của chính tác giả. Không có gì ở Opus 5.5 làm thay đổi chi phí vẽ khung hình thứ 2.000.

• Tính tất định là một yêu cầu bắt buộc, không phải một thứ cho đẹp. Các khung hình được kết xuất song song và không theo thứ tự, nên mỗi khung hình phải là một hàm thuần túy của dấu thời gian của nó — không mang theo trạng thái, không có ngẫu nhiên chưa gieo hạt. Một mô hình chưa nội hóa được điều đó sẽ tạo ra video bị nhấp nháy. Cả hai repo đều xử lý được điều này; không có gì trong prompt bắt buộc phải như vậy.

• Chạy một lần không có nghĩa là không cần kiểm tra. Bằng chứng rõ ràng nhất là phần việc về game ở repo thứ hai: mô hình đã phải nghiên cứu bố cục của một bản đồ có sẵn trước khi dựng nó, tức là mô hình tự quyết định rằng câu trả lời đầu tiên của mình sẽ là sai.

• Chưa ai định giá được thất bại.Cả hai repo đều không báo cáo đã cần bao nhiêu lần thử, đã đốt bao nhiêu token, hay bao nhiêu phần của thế hệ thứ hai là để sửa thế hệ thứ nhất. Đó mới là con số mà một đội thực sự cần trước khi cam kết.

Điều này thay đổi gì cho bạn, và điều gì không.

Nếu bạn đang hy vọng về một mô hình tạo video, thì Claude Opus 5.5 không phải là một mô hình như vậy, và không lượng cảnh quay demo nào có thể biến nó thành một mô hình như thế. Tài liệu ra mắt của Anthropic không chứa khả năng tạo video; các đánh giá được công bố của mô hình là lập trình agentic, sử dụng máy tính và công việc tri thức. Điều mà các demo thể hiện là khả năng sinh mã trong tầm xa với một bản brief sáng tạo — cũng chính năng lực xuất hiện trong cuộc di trú 680.000 dòng và bản chuyển mã C sang Rust mà Anthropic trích dẫn trong bài đăng ra mắt của chính mình, chỉ là được hướng vào một thứ bạn có thể xem.

Nếu đó là năng lực bạn muốn, câu hỏi thực tế không còn là "mô hình nào" nữa mà trở thành "làm sao tôi chạy một thứ như thế này mà không cam kết một đường sản xuất cho nó." Việc tạo dài hạn rất tốn kém và chế độ thất bại của nó thì âm thầm — bạn nhận được một chương trình trông có vẻ hợp lý, kết xuất trong bốn phút rồi hỏng. Cách hợp lý để kiểm thử nó là định tuyến công việc qua một điểm cuối bạn đã có thay vì một hợp đồng mới: Opus 5.5 có trên OrcaRouter với giá niêm yết của Anthropic cùng mức phụ trội 0%, cùng với các mô hình khác trong họ, vì vậy một lượt tạo qua đêm có thể dùng cùng một khóa và cùng các quy tắc chuyển đổi dự phòng như mọi thứ khác bạn gọi. Nếu lượt chạy chết ở khung hình 3.000, đó là vấn đề định tuyến chứ không phải tái kiến trúc.

Có hai điều đáng để theo dõi trước khi bạn lên kế hoạch dựa trên điều này. Anthropic đã nói Sonnet 5.5 và Haiku 5.5 sẽ tiếp nối "trong vài tuần tới", điều này sẽ thay đổi bài toán tính toán cho một lần render dài — một mô hình rẻ hơn có thể giữ cho một bản build gồm nhiều tệp gắn kết với nhau sẽ khiến lượt chạy qua đêm trở thành chuyện thường lệ thay vì đáng chú ý. Và bản thân mẫu storyboard thì có thể mang đi áp dụng ở nơi khác: không có gì trong tài liệu đó là đặc thù riêng cho Opus 5.5, và không có gì ngăn một mô hình nhỏ hơn viết ra một bản tệ hơn.

Hiện tại, cách hiểu trung thực về “Claude's Plan một video do opus 5.5 thực hiện trong một lần” hẹp hơn những gì nó nghe có vẻ và hữu ích hơn vẻ ngoài của nó. Mô hình đã viết một danh sách cảnh quay, giao việc cho các tác nhân phụ của chính nó, rồi viết trình kết xuất — và việc một kế hoạch như vậy vẫn trụ được khi tiếp xúc với 3.760 khung hình mới là điều đáng kiểm chứng, chứ không phải video.