Claude Opus 5.5 多模態：它能從程式碼渲染影片，卻無法觀看影片

向 Claude Opus 5.5要一段影片，你最後可能真的會得到一段——那是一支由 HTML、CSS 或 canvas 呼叫組成的程式，會逐格繪出每個畫面，再由你親自執行。交給它一段影片，問它裡頭發生了什麼事，你則什麼都得不到，因為它沒有影片輸入。這種不對稱就是這款模型模態表面的全部，而我們榜上十一個 Anthropic 模型無一例外，所以值得直截了當地說：Claude Opus 5.5能讀文字、圖像與檔案，能寫文字，然後就沒了。它周遭的榜單可就遠沒這麼一致了。MiniMax H3直接生成影片，OrcaDub 1.0吃進一段影片、吐回一段配音版，而Qwen3.8-Max願意以每百萬輸入符元兩美元的價格看一段短片——是Claude Opus 5.5同樣百萬符元收費的一半，還外加一項它沒有的能力。

這是 OrcaRouter 於 2026-09-29 所記錄的模態列讀數，涵蓋型錄中全部 204 個模型。下方數字是型錄宣告，並非我們的基準測試——模態欄位是模型卡所載的內容，而模型卡會變動。

目錄實際記錄的內容

在 204 個模型中，有 182 個宣告了輸入介面。其餘 22 個則留空，這反映的是紀錄本身，而非模型本身——其中包含八個 Kling 影片模型、四個 OrcaRouter 元模型，以及散落其中的一些免費方案與預覽端點。

在這 182 個之中：

• 131 張已讀取的圖片

• 77 個能讀取檔案——而這 77 個每一個也都能讀取圖片，因此在這個榜單上，檔案輸入是圖片輸入的強化，絕不是獨立的第六種模態

• 49 已讀影片

• 19 聽取音訊

• 50 只取文字，其餘一概不要

Claude Opus 5.5屬於影像與檔案這條線，而不是影片那條線。我們自家的模型頁面用一句話就說明了，就在「上下文、模態與思考」這個標題之下：多模態輸入——文字、影像與檔案——輸出為文字，具備 1M token 的上下文視窗，以及最高 128K 的輸出 token。這就是完整的輸入介面。沒有第五個項目藏在子選單裡。

五十比大多數人預期的還要大。在所有至少聲明了任何資訊的模型中，超過四分之一只接受文字，這表示一套基於「可以附上截圖並讓它被理解」這項假設所打造的流程，會在這個看板上對四分之一的情況失效。

為什麼「帶有程式碼的影片」不是一種影片模態

那些廣為流傳的示範是真實的，效果也是：Claude Opus 5.5異常擅長撰寫能繪製動態的程式——一個自成一體的渲染器，執行時會產生影格。那是一種真實且有用的能力。但它並不是一種輸出模態。型錄上為這個模型記錄的輸出恰好只有一項，那就是文字。影片是在下游製造出來的，由模型所撰寫的程式碼，在你的機器上、用你的渲染器產生。

實際後果是一體兩面的，而後半部正是人們常忽略的那一半。

在輸出階段，算繪步驟由你負責。以程式碼為基礎的影片可以檢查、可以差異比對、可以用不同解析度重新執行，而且便宜得像文字回應一樣——只要幾美元的詞元，而不是按秒計費的計價表。你也得為每一次失敗負責：缺少字型、影格預算沒抓好、算繪器與交給它的程式碼不一致。

在輸入這一端，你沒有東西可以交給它。如果你的原始素材是螢幕錄影、產品短片、兩小時的線上研討會，或競爭對手的發表影片，Claude Opus 5.5根本沒辦法觀看。你只能傳送逐字稿、以靜態影格呈現的簡報，或是別人寫好的描述。這才是真正決定架構的關鍵限制，而它在展示影片裡完全看不出來。

兩大陣營：60 個模型接收文件，29 個接收影片片段

將 182 個模型依其確切輸入集分組，排行榜就會分成幾乎不重疊的兩組。

A 陣營——文件與圖像，不含影片：60 個模型。 輸入價格中位數 每百萬個 token 2.00 美元。這正是 Claude Opus 5.5 的落點，與全數十一個 Anthropic 模型、五列 Grok 中的三列，以及 OpenAI 產品目錄中的推理端並列——每一個 GPT-4.1 與 GPT-6 列，以及在 GPT-4o 與 GPT-5 系列中除了語音、codex、search 與 chat-latest 變體之外的所有項目。A 陣營也佔據了價格表的天花板：openai/gpt-5.5-pro 與 openai/gpt-5.4-pro，每百萬輸入 token 要價 30 美元。那是整張榜單上最高的輸入價格，而且它們與兩列 OpenAI GPT-4 及兩個文字轉語音端點共用這個價格，而這些全都無法讀取文件。這八者中沒有任何一個能看影片。

B 陣營——文字、圖像與影片，不支援檔案：29 個模型。 輸入價格中位數 每百萬個 token $0.25。這二十九個模型中有二十二個帶有 Qwen 前綴；其餘是 MiniMax M3、GLM-5.3-Flash、Kimi K2.6、Kimi K2.7-Code、Gemma 4 26B，以及兩個經 Obsidian 調校的 Qwen 版本。它的上限是 Qwen3.8-Max，每百萬個 token 為 $2.00——也就是說，這個陣營中最昂貴的影片讀取模型，價格恰好是 Claude Opus 5.5 的一半。

兩個陣營之間的中位數差距為 8×。成員組成的差距更是懸殊。在 182 個宣告輸入介面的機型中，有 60 個接受文件但不接受影片，32 個接受影片但不接受文件，73 個兩者皆不接受，只有 17 個兩者皆接受。重疊程度之小，使這兩個群組讀起來幾乎是互不相干的產品，而居於中間的那 17 個幾乎全是 Google 的高階層級——17 個中有 15 個——再加上 Meta 的兩個 Muse Spark 版本。

這種形態有個合理的解釋。文件理解與影片理解是不同的工程問題，具有不同的成本曲線；而大多先解決影片理解的供應商，正是以億計地販售便宜 token 的那些廠商。先解決文件理解的供應商，則是以溢價販售推理能力。目前還沒有人被迫以相同價格同時做到這兩者，因此市場已分裂成兩種產品，並據此定價。

那十九個帶走一切的人

有十九款模型可接受全部四種輸入類型——文字、圖像、影片與音訊。其中十六款是 Google，兩款是 Meta，一款是 MiniMax。Google 在這個陣營中的自家價格範圍，從 每百萬 $0.10 的 gemini-2.5-flash-lite 到 $4.00 的 gemini-pro-latest，因此「能讀取所有內容」不是一個價格層級；而是 Google 在每個價位都做出的決定。Meta 的貢獻是兩款 Muse Spark 版本——Muse Spark 1.1 與 Muse Spark 1.2，在目錄中完全相同，輸入每百萬 $1.25、輸出 $4.25，並具備 1M token 的上下文。

這就是印證文章關鍵論點的陣營：具影片感知能力的管線並不需要旗艦模型。它需要的是從一份十九個項目的清單中挑選，其中十個每百萬輸入 token 的成本不到一美元。

這個看板上的五個模型輸出的不是文字

讀懂影片與製作影片是兩回事，而後者更為罕見。在 204 個模型中，有 139 個宣告了輸出形式；其中五個所稱的並非文字。

其中三個是圖像生成器：Nano Banana（Gemini 2.5 Flash Image），每百萬個詞元輸入 $0.30、輸出 $30.00，Nano Banana Pro（Gemini 3 Pro Image Preview），每次請求 $0.24，以及 Nano Banana 2（Gemini 3.1 Flash Image Preview），每次請求 $0.151。有兩個會輸出影片：MiniMax H3，依生成的輸出秒數計費——768P 每秒 $0.08，2K 每秒 $0.13，可製作四到十五秒的片段，並具備原生立體聲音訊——以及 OrcaDub 1.0，依來源影片每分鐘 $0.60 計費，涵蓋 28 種語言，並為每位講者複製獨立的聲音。

這裡有兩種理解框架需要避免。首先，其餘 65 列讓輸出欄位留空；留空意味著該目錄並未記錄輸出介面，而這並不是某個模型只輸出文字的證據。其次，讀取影片與生成影片是兩條各自獨立的軸線，在這張表上幾乎沒有重疊——OrcaDub 1.0接收影片並回傳影片，這使它成為這裡唯一可能同時位於管線兩端的模型，而MiniMax H3則接受四種輸入類型，以產生單一且非文字的輸出類型。

將什麼路由到哪裡

四條規則從普查中得出，而且應用起來成本很低。

• 如果你的輸入是影片片段，請不要一開始就動用前沿旗艦模型。 那個不需要文件就能讀取影片的陣營有 29 個模型，其中 22 個是 Qwen，而它的中位數是每百萬四分之一。改為把影格和逐字稿送給旗艦模型，讓它來進行推理。

• 如果你的輸入是 PDF、合約或長篇文件，那影片陣營就是錯的陣營。只有 17 個模型同時宣告支援檔案與影片輸入，而每個宣告支援檔案輸入的模型也都宣告支援圖片輸入，因此兩者總是相伴出現。Claude Opus 5.5以每百萬 $4.00 的價格，換得文件處理介面外加 100 萬 token 的視窗，這就是你正在做的取捨。

• 如果你需要輸出媒體，你是在五個模型中做選擇，而不是從整個陣容中挑選。其中三個生成靜態圖像，兩個生成影片，而這兩個是按秒和按分鐘計費，而非按詞元計費——所以用輸入價格推算出的成本估算，必然會是錯的。

• 如果你需要輸出影片，而你的素材是腳本，那麼程式碼生成依然是這塊板子上最便宜的路徑。 Claude Opus 5.5以文字的價格撰寫渲染器；MiniMax H3則以每秒八美分的價格將它渲染出來。把兩者串接起來，成本低於任何一種替代方案，還能讓你得到一個可以編輯的檔案。

常見問題

Claude Opus 5.5 可以觀看影片嗎？

不行。它宣告的輸入模態是文字、圖像和檔案。影片不在其中，音訊也不在。螢幕錄影或產品短片必須先經過轉換——取樣影格、逐字稿，或兩者——才能送出。

Claude Opus 5.5 會直接生成影片嗎？

不是作為一種模態。它回傳的是文字，而那段文字往往是個自成一體的程式，執行後便會渲染出動態畫面。渲染由你負責；模型從不輸出任何像素。若你想要這張看板上能自行回傳影片的模型，MiniMax H3 與 OrcaDub 1.0 就是那兩款。

「multimodal」是價格層級嗎？

不是，而排行榜從兩個方向說明了原因。Google 以每百萬輸入 token 0.10 美元到 4.00 美元的價格，提供完整的四模態輸入；openai/gpt-5.5-pro而排行榜上並列最高的輸入價格——每百萬 30 美元——能讀取文件與圖像，卻不支援影片。你付費買的是推理等級，而不是模態數量。

為什麼能讀取圖像的模型那麼多，能讀取文件的模型卻那麼少？

由於檔案與圖片在這份榜單上總是相伴出現：全部 77 個能讀取檔案的模型也都能讀取圖片，因此檔案輸入是圖片輸入的延伸，而非一項獨立能力。要記住的數字是：在 182 個宣告輸入介面的模型中，有 60 個接受文件與圖片，完全不接受影片——佔了榜單的三分之一，也正是旗艦層級所在的位置。

我該如何為影片管線定價？

要看模型是以什麼單位計費。影片讀取工具和任何聊天模型一樣，都是按 token 計價；這個看板上的影片生成器則按輸出秒數計價（MiniMax H3：768P 為 $0.08，2K 為 $0.13），或按來源素材的分鐘數計價（OrcaDub 1.0：$0.60）。把這兩種單位混進同一份估算，是影片預算算錯最常見的原因。

值得記住的一句話

的有趣之處Claude Opus 5.5，並不在於它是多模態的。排行榜上大多數模型都是。而是在於它的模態分界線落在一個不尋常的位置——文件與靜態影像輸入、文字輸出，兩個方向都沒有影片——然而讓它聲名大噪的示範卻是影片。這兩件事並不衝突，而把它們解讀成衝突，正是讓那段程式碼生成影片的故事變得令人費解的原因。模型撰寫渲染器；渲染器製作出影片。模型能拿到的，是一份腳本、一份文件和一張截圖。

以上所有內容都是 2026-09-29 的 OrcaRouter 型錄快照，以及其中所載的模態宣告。供應商規格會變動，而在你依據某個數字進行建置之前，模型卡的模態清單是最先該重新確認的事項。如果這裡的某項說法對某個決策有影響，請開啟模型頁面——欄位就在頁面上。