Claude Opus 5.5 一发搞定音乐视频：“Plan a Video”究竟能产出什么

2026 年 9 月 23 日发布在 X 上的一条信号写道：“Claude 的 Plan，一段由 opus 5.5 一次性完成的视频”，并附上了对 @jeffgwoah 的致敬。这是一种演示层面的说法，而不是发布层面的说法——而且它恰好站到了通常真正重要的事情的错误一边。Claude Opus 5.5并不是一个需要从泄露中嗅探出来的未发布模型。Anthropic 已于 2026 年 9 月 22 日发布它，价格为每百万输入 token 4 美元、每百万输出 20 美元。它才问世一天，已全面可用，并且已经出现在价目表上。所以，有趣的问题不是 Opus 5.5 是否存在，而是这些“一次性搞定了一段视频”的帖文究竟在展示什么，因为这个说法的含义比听起来要窄，而这一差别决定你是否能用上其中的任何东西。

以下是简短版本，也是大多数转发所省略的部分：在经得起检验的演示中，Claude Opus 5.5 并不生成像素。它编写的是绘制像素的代码。输出的是一个程序，而不是视频文件。

流传中的两个演示实际做了什么

有两件公开产物支撑着这类说法，而且这两者都可核查，因为两者都公开了各自的来源。

第一个是时长 156.6 秒的音乐视频，歌曲名为《I'm Upping My P(doom)》，对应的仓库名为 PDoomVideo，于 2026 年 9 月 22 日发布在 GitHub 上——与 Opus 5.5 发布是同一天。其 README 称，该视频“分两次生成，均在 Claude Code 中完成”，第一次归功于 Claude Opus 5.5（Medium），第二次归功于默认 effort 设置下的 Claude Opus 5.5。README 还称，“本仓库中的所有内容均由该模型生成”，并且“未指定任何场景创意”——唯一给出的指示是使用特定的角色设计，并让每句歌词都有有趣的视觉效果和转场。

第二个是一个于2026年9月23日发布的三游戏演示仓库，它与其说是展示，不如说更接近一次受控实验：三个可玩的3D浏览器游戏，每个只给一句提示词，在一次会话中生成——据该仓库描述，代码未经任何人工修改——随后部署上线。这些游戏都是单文件HTML，不依赖任何外部资源——模型、纹理、动画和声音全部由代码程序化生成。其中一款游戏要求模型先查证某张游戏地图的官方布局，并基于该研究重建其几何结构，然后才能开始编写任何内容。

这两个仓库都不是供应商发布的。二者都是第三方产物，且均为自述；尤其是“零人工编辑”这一说法，它只是关于某段 git 历史的声明，并非经过外部第三方审计的事实。请把流程描述视为作者的自述，而把产物本身视为证据。

故事板才是真正的产出

决定“一次成功”这个说法是否公允的细节，是第一个仓库里一个名为 STORYBOARD.md 的文件。它不是人类写的镜头清单。它是模型在第一轮生成之后为自己写的一份文档，而且确实很具体：规定每个镜头里都“有事情在屏幕上发生”；要求画面中不要出现文字；列出一组有固定设计的具名角色；一套从暖奶油色过渡到太空紫、再到警报红、然后又回到暖奶油色的调色板；规定角色表情是渐变变形而不是瞬间切换；并要求每一次剪辑都由动作驱动——一口咬下切至黑场、坠落、穿过一只眼睛变焦。

那份文档就是信号文本所指的计划。模型生成了一份导演简报，然后并行地让子代理依据它来执行，每章一个子代理，每个子代理都编写一个 JavaScript 文件，用来绘制时间线上属于自己的那一段。

渲染管线很普通，值得直说，因为正是这里，“AI 制作了视频”的说法站不住脚：帧是在一个页面中使用 p5.js 和水彩画笔库绘制出来的，一个 Node 脚本在无头 Chrome 中驱动该页面并截取每一帧，再由 ffmpeg 将帧与音轨合在一起。以每秒 24 帧、持续 156.6 秒计算，大约就是 3,760 帧被逐一渲染。

所以准确的说法不是“Claude Opus 5.5 生成了一段视频”，而是“Claude Opus 5.5 编写了一个能渲染视频的程序，然后又对这个程序进行了执导”。这一区别并非吹毛求疵——它正是这项技术对任何不制作音乐视频的人都很有用的全部原因。

为什么“两代人”这句话比“一次性”这句话更重要

同一份 README 也在削弱它自己的标题。这段视频经历了两轮生成，而不是一轮。第一轮生成了一个结果，作者随后又在此基础上继续推进；分镜脚本和动画指南——正是让第二轮生成保持连贯的文件——是在第一轮之后写成的，而不是之前。

这就是每一个严肃的长期生成任务真实的样子，而这一点值得说明，因为“一次性完成”的框架设定了一种这些产物根本达不到的预期。提示词只是一条消息，但工作并不是一遍就能完成。模型所做的是把一个大型、多文件、耗时数小时的构建维持得足够好，好到第二遍是修订而不是重来——这是一种真实存在、但远不如“一个提示词，一条视频”那么炫目的能力。

有一个独立数字比演示更能说明这一点。Artificial Analysis 在其智能指数上测得 Claude Opus 5.5 在最大努力下为 58 分——这是其记录的最高分，比紧随其后的模型高出数分——并报告称，该模型每项指数任务消耗约 119,000 个输出 token，而 Claude Opus 5 约为 73,000 个，Claude Fable 5.1 约为 78,000 个。它使用的输出 token 约为 1.6 倍，尽管每 token 价格低 20%，每项任务成本却大致相同（约 5.98 美元对约 5.86 美元）。长时程生成正是这种 token 使用特征从外部看的样子：模型把预算花在了自己身上。

工件不再可用之处

这类工作的失败模式是一致的，而两个仓库从不同方向指向了同一个失败模式。

• 输出是一个程序，而不是一个文件。如果你需要一个可以交给别人的 MP4，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。那是一个你将永远自行承担的构建依赖。

• 它随帧数扩展，而不是随提示词扩展。 3,760 帧在作者自己的硬件上完成了一次脚本化的通宵处理。Opus 5.5 的任何方面都不会改变绘制第 2,000 帧的成本。

• 确定性是硬性要求，而非锦上添花。 各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——不能携带状态，也不能有未播种的随机性。尚未内化这一点的模型会生成闪烁的视频。两个仓库都处理了这一点；提示词中没有任何内容强制要求这样做。

• 一次性完成并不意味着无需审核。最清楚的证据是第二个仓库中的游戏工作：模型在构建之前必须先研究现有地图的布局，这说明模型判断自己的第一个答案会是错的。

• 没有人计算过失败的代价。两个代码仓库都没有说明它尝试了多少次、消耗了多少 token，也没有说明第二代中有多少工作是在修复第一代。而这恰恰是团队在正式投入之前真正需要的数字。

这对你意味着哪些改变，以及哪些没有改变

如果你期待的是视频生成模型，那么 Claude Opus 5.5 并不是，而且再多的演示片段也无法让它变成视频生成模型。Anthropic 的发布材料中不包含视频生成能力；该模型公布的评估涉及智能体编程、计算机使用和知识工作。这些演示所展示的是依据创意简报进行的长时程代码生成——这与 Anthropic 在自己的发布文章中提到的 68 万行迁移和 C-to-Rust 移植中所体现的是同一种能力，只不过这次指向了你可以观看的内容。

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“如何运行这样的东西，又不把生产路径押在它上面”。长周期生成成本高昂，而且失败方式是静默的——你会得到一个看似合理的程序，它渲染了四分钟，然后崩溃。合理的测试方式是把这项工作通过你已有的端点来路由，而不是签一份新合同：Opus 5.5 已在 OrcaRouter 上以 Anthropic 的标价提供，零加价，并与该系列的其他模型并列，因此一次夜间生成任务可以和你调用的其他所有东西共用同一个密钥和同一套故障转移规则。如果这次运行在第 3,000 帧挂掉，那是路由问题，而不是需要重新架构。

有两件事值得在你围绕这一点做规划之前关注。Anthropic 表示，Sonnet 5.5 和 Haiku 5.5 将在“未来几周内”跟进，这会改变长时间渲染的成本账——一个更便宜、又能撑起多文件构建的模型，会让通宵跑一遍变成常规操作，而不是值得特别关注的事。而且故事板模式本身是可移植的：那份文档里没有任何内容专属于 Opus 5.5，也没有什么能阻止更小的模型写出一份更差的版本。

目前，对“Claude 的‘由 opus 5.5 一次性完成视频’计划”的诚实解读，比听起来更狭窄，也比看起来更有用。模型写了一份分镜清单，向自己的子代理做了简报，然后编写了渲染器——而像这样的计划竟能经受住 3,760 帧的实际检验，这才是值得检验的说法，而不是那段视频。