Claude Opus 5.5 用纯代码呈现了 AI 的历史：这究竟证明了什么

X 上的一篇帖子称，有人让 Claude Opus 5.5 制作一部关于 AI 历史的三分钟影片——从《Attention Is All You Need》到 AGI——不使用任何现成素材，也不用图像或视频生成器，每一帧都由代码渲染而成。这只是一个单一账号发布的演示性说法，并非厂商公告；而在这一领域，影片是最容易被转发、也最难被核实的产物。可以核实的是它所归属的那一类东西。在厂商于 2026 年 9 月 22 日发布 Claude Opus 5.5 之后的这两天里，有几个人发布了用它制作的代码渲染影片和动画，其中一些人还公开了源代码。这足以回答那条帖子实际提出的问题：“100% 用代码制作”是什么意思，以及一部AI 历史影片所要求的，与一支音乐视频有何不同？

简短版本，而这正是转发时省略的部分。模型并不生成像素。它会写一个绘制像素的程序，然后运行它。这个关键步骤的输出是一个渲染器，而不是一部影片。

「由代码渲染」排除了什么——又留下了什么

提示词中的这个约束确实在发挥实际作用，因此值得准确说明。没有图像模型，没有视频模型，没有素材库，没有授权影像素材，没有生成式语音。屏幕上的一切都必须由某人写下的运算产生。

剩下的是一个流程，而它的形态在所有这些项目中都保持一致：

• 绘画 —— 使用 p5.js、Canvas 2D 或 WebGL 的页面，或用 Python 和 NumPy 循环直接写入像素数组。色彩、几何、字体与动效全都是代码。

- 渲染 —— 必须有某个东西按顺序访问每一帧。在基于浏览器的项目中，那是一个驱动无头 Chrome 实例并对画布截图的 Node 脚本；在 Python 项目中，那是一个写入图像文件的循环。

• 编码 — ffmpeg 将各帧拼接起来，并把音轨叠加在上层。

在每秒 24 帧下，三分钟大约是 4,320 帧。Claude Opus 5.5 的任何特性都不会改变第 2,000 帧的开销，因为第 2,000 帧是画布的截图，而不是一次模型调用。模型的工作在昂贵部分开始之前就已经结束——而昂贵部分在你的硬件上，不在 API 上。

为什么 AI 的历史是比一支音乐视频更难的简报

在音乐视频里，内容就是歌曲。动画只是装饰，而装饰可以是抽象的。一部关于AI历史的影片结构恰恰相反：时间线就是内容。如果影片把RLHF放在Transformer之前，或者跳过GPT-3和ChatGPT之间的那两年，那它所犯的错误，再高的渲染质量也无法弥补。观看水彩歌词视频的人，谁也看不出模型是否理解了那首歌。而观看三分钟历史影片的人，都能看出模型是否了解那段历史。

这把三种各自独立的负荷叠在一次运行里。模型必须在足够长的时间跨度上正确地排列事实，长到它无法一次性把整件事装下。它必须构建并调试一个多文件渲染器。它还必须做出导演式的抉择——展示什么、略去什么、何时切换——因为一段历史必须经过剪辑，否则就只是一份清单。三者之中任何一项失败，都不会在截图里显现出来。一部渲染器精美却时间线错乱的影片，直到你真正去读它之前，看起来都没问题。

经得起审视的那些作品，是公开了源代码的那些，而现在已经有好几个了。9月22日，一首名为“I'm Upping My P(doom)”的歌曲的音乐视频被上传到 GitHub——同一天 Claude Opus 5.5 发布——其 README 称它经过了两次生成，第一次归功于该模型在中等投入下的输出，第二次则是默认设置，并称“这个仓库里的一切都是由该模型生成的”，还称除角色设计以及给每句歌词配上有趣视觉效果的一般性指令外，没有指定任何场景构思。9月23日又出现了一个三游戏演示仓库：三个可玩的浏览器游戏，每个只有一句提示词，没有外部素材，模型、纹理和音频全是程序化生成的。三者之一要求模型先查到一个现有游戏地图的官方布局，并基于该研究重建其几何结构，然后才能写任何东西——模型判断自己的第一个答案会是错的。还有一部据报道时长四分钟、纯代码生成的影片，归功于四个智能体在大约九十分钟内完成，且没有语音 API，也在同一周流传开来。

那部特定的人工智能史影片并不在我能够核实的材料之中，它的片长、提示词和时间线都是作者的陈述，而不是外部第三方审计过的内容。就像对待任何演示一样对待它：它所展示的技术是真实且可复现的；那部具体的影片则只是一个声称。

AI三分钟生成的代码，究竟要付出多少代价

有一项独立测量比那些演示更能说明这一工作负载，它来自 Artificial Analysis。在其 Intelligence Index（版本 v4.3.2，十项评估）上，Claude Opus 5.5 在最大努力下得分为 58，该页面将其排在 212 个模型中的第一位。同一页面显示，该模型在整个 Index 套件中消耗了 2.6 亿个输出 token，冗长度排名为 212 个中的第 95 位，每个 Index 任务的加权平均成本为 5.98 美元。Anthropic 的标价为每百万输入 token 4 美元、每百万输出 token 20 美元，缓存读取为每百万 0.20 美元。

把这两件事放在一起看，token 画像就是故事本身。一个输出 token 消耗很大、但在冗长度上只排中游的模型，是在页面上思考，而不是在压缩。长程生成从外部看就是这样：预算被用在维持一个大型、多文件、多小时的构建上，而可见的产物只是残留物。

这笔算术——它是算术，不是账单，因为还没有人公布过这些影片中任何一部的 token 成本：按每百万输出 token 20 美元计算，一次输出 500,000 个输出 token 的运行，在输出上要花 10 美元。输入重读才是一次长时间构建变得昂贵的地方——一个反复重读自己不断增长的源代码的渲染器，在输入端每百万要付 4 美元，而一旦前缀被缓存，就只要每百万 0.20 美元，这是二十倍的差距，也是对一次长时间 agent 运行成本影响最大的单一杠杆。

有一条提醒适用于上面每一个数字，也适用于 Anthropic 自己的发布表。该厂商公布的基准测试行大多处于最大努力程度，而 API 上的默认努力程度为中。Terminal-Bench 4.0 为 66.4%，CursorBench 4.0 在默认中等努力下为 52.5%，GDPval-AA v2.1 为 1,846 Elo——这些都是厂商报告、未经复现，且取决于努力程度。要把努力程度当作它本来的预算调节旋钮，而不是脚注。

工件在何处不再可用

这类工作中的失效模式，在所有发布了足够多可供核查内容的仓库中都是一致的，而且它们全都是结构性的，而非特定于模型的。

• 输出的是一个程序，而不是一个文件。如果你需要把 MP4 交给别人，你仍然需要 Node、浏览器和 ffmpeg。模型生成的是渲染器，而不是渲染结果。这是一个你将永远背负的构建依赖，而且浏览器第一次发生变化时，它就会坏掉。

• 它的成本随帧数增长，而非随提示词增长。4320 帧就是 4320 张截图。提示词里没有任何东西能缩短这一过程，模型的能力也无法让最后一千帧比最初一千帧更便宜。

• 确定性是一项要求，而不是可有可无的讲究。帧会并行且乱序渲染，因此每一帧都必须是其时间戳的纯函数——不携带状态，不使用未播种的随机性，也不依赖该帧恰好在何时被计算。一个没有将这一点内化的模型会生成一部闪烁的影片，而这种闪烁在你检查的任何单帧中都看不出来。

• 一次性并不意味着未经审核。最清楚的证据来自地图研究：模型核对了一份已发布的布局，而不是相信自己的重构结果。这正是你想要的行为，而提示词中没有任何内容强制它这样做。

• 事实，是没人核查的那部分。这一类已发布的成品都会说明自己的渲染管线。却没有一个说明事实核查环节。对一部历史题材影片来说，这就是全部的风险面，也正是截图无法向你展示的那一点。

• 没有人给失败定过价。这些仓库没有一个会说明它尝试了多少次、烧掉了多少 token，或者第二代有多少时间是在修补第一代。而这恰恰是团队在投入之前需要的数字，也恰恰是演示最讳莫如深的数字。

运行一次三分钟的渲染，而不把生产路径押在它上面

如果你想要的是电影，那 Claude Opus 5.5 并不是视频模型，再多的演示片段也不能让它变成视频模型。Anthropic 的发布材料中不包含任何视频生成能力；已公布的评估涵盖的是智能体编程、计算机使用和知识工作。这些演示展示的是长时程代码生成被指向了某种你能观看的东西。

如果这正是你想要的能力，那么实际问题就不再是选哪个模型，而是如何运行一个长达数小时的生成任务，而不必为此把生产路径搭进去。像这样的渲染失败得悄无声息又来得晚——你得到一个看似合理的程序，它绘制了四分钟，然后在第 3,000 帧崩掉——这使它不适合做定制集成，却很适合用你已有的端点。 Claude Opus 5.5 已上线 OrcaRouter，按 Anthropic 的目录价、0% 加价——每百万输入 token 4 美元、每百万输出 20 美元、缓存读取 0.200 美元——既可通过 Anthropic Messages API 访问，也可通过 OpenAI 兼容的 chat completions 端点访问，因此现有 SDK 只需把 base URL 指向我们即可使用。把整夜运行的任务和其他一切放在同一个密钥下，置于一个可接入 200+ 模型的 API，并具备自动故障转移之后，于是那个在第 3,000 帧崩掉的任务就只是一个路由问题，而不需要重新架构。

成本杠杆就在缓存上，而且值得在第一次渲染之前就配置好，而不是之后：每百万缓存读取 token 只需 0.20 美元，而每百万全新输入要 4 美元，因此把不断增长的源码保留在缓存前缀中，决定了一项夜间任务是便宜还是昂贵。无论模型由谁提供服务，这一点都成立。

什么才能解决这个问题？

有三件事可以让它从演示级别变成可以围绕其做规划的东西，而它们都不需要新模型。

第一个是专门为这部历史影片发布的源代码。音乐视频、游戏和像素引擎影片之所以可核查，是因为它们的作者公开了代码。仅以视频形式流传的影片——包括这一部——无法与精心剪辑的屏幕录制区分开来，而这种区别恰恰对内容为事实性主张的那个作品最为重要。

第二项是对时间线的审计。一部三分钟的AI史，是一道有标准答案的考题，而影片只有三分钟长这一事实，恰恰是这道题难的地方：模型必须把2017年至今压缩进去，既不遗漏承重的条目，也不虚构从未发生过的顺序。任何人都可以看这部影片去核对。但几乎没有人这么做过。

第三点是同样的活儿能用更便宜的算力完成。Anthropic 表示，Sonnet 5.5 和 Haiku 5.5 将在未来几周内跟进。一个更便宜、却能撑住多文件构建的模型，会把整夜渲染从一次值得关注的实验变成例行操作，而且它对失败预算这笔账——也就是你负担得起的重试次数——的影响，远大于它对任何单帧画面质量的影响。

就目前而言，对这篇帖子的诚实解读比它听起来更狭窄，也比它看起来更有意思。一个模型写了渲染器、一份计划和一条时间线，然后一个构建流程把它们变成三分钟的视频。值得检验的说法并不是这部片子好看。而是那条时间线扛住了。