Artificial Analysis、動画をコードで作る評価を公開

商品紹介の短い動画を、AIにHTMLとアニメーションのコードで書かせたら、どのモデルがいちばん上手に作るのか。

AIモデルの評価会社Artificial Analysisは10月26日、この問いを測る評価「Code2Video-AA」を公開しました。HeyGenが作った評価Code2Video Benchを、Artificial Analysisが独自に組み直したものです。

使うのは、商品やブランドの短い動画の設計書114件です。モデルは設計書とHeyGenのシステムプロンプトを1回で受け取り、ツールを使わずに1つのHTMLファイルを返します。画面はHTMLで組み、動きはGSAPで付ける作りです。これを動画に書き出して2本ずつ比べ、5つの観点ごとにEloで点を付けます。観点には、指示の意図に合っているか、作り込み、時間の流れの一貫性が入っています。基準はGPT-5.5（xhigh）の1000点で、27モデル、3,078件のうち98.8%が動画になりました。

首位はClaude Opus 5.5

表は主なモデルを抜き出したもので、推論の設定は各モデルの最大です。Opus 5.5は5つの観点すべてで首位でした。差がいちばん大きいのは作り込みで、2位のSonnetに128点。指示の意図では48点差まで縮まります。SonnetとGPT-6 Astraの差は、誤差の範囲だそうです。

費用の幅は300倍を超えます。1タスクあたりの費用は、Opus 5.5が$3.08、GPT-6 Astraが$1.62、GPT-6.1 Solが$0.31、Claude Haiku 5.5が$0.08。いちばん高いのはClaude Fable 5.1の$3.89で、いちばん安いXiaomiのMiMo-V2.6-Flashは約$0.01でした。Claudeの5.5の3モデルは出力のトークンも多く、1タスクで約15万2,000〜17万6,000トークンを使っています。

重みを公開したモデルでは、DeepSeek V4.1 Flashの1053と、MiMo-V2.6-FlashとMiMo-V2.6-Proの1052が上位です。それでも首位とは483点以上離れています。動画に書き出せなかった作品はすべての比較で負けになりますが、8つのモデルは114件すべてを書き出し、最も少ないGLM-5.3でも110件でした。判定をだれが行ったかと、日本語の設計書で試したかは、記事に書かれていません。

ここからは編集部の見方です。SNS向けの短い動画を、テンプレートに頼らずコードで量産したい人には、GPT-6.1 Solの位置がおもしろいところです。点数は1369で、費用はOpus 5.5のおよそ10分の1。量を作るならSol、1本に凝るならOpus、という選び方もできそうです。ただ、文字の多い日本語の動画では、フォントや改行の扱いで順位が入れ替わるかもしれません。

結果に出ているモデルのうち、YOBITSUGI AIではAnthropicのClaude Opus、Claude Sonnet、Claude Haiku、Claude Fableの系列を使えます。OpenAIのGPT-6 Astra、GPT-6.1 Sol、GPT-6 Lunaも使えます。GoogleのGemini 3.8 Flash、xAIのGrok 4.7、DeepSeekのDeepSeek V4.1 Flashも同じです。

出典

• Code2Video-AA: how well do AI models design videos in code?（Artificial Analysis・2026年10月26日）