商汤开源 SenseNova 6.8 Code-to-Video：靠写代码生成视频，单个元素随意改

用传统视频生成模型做过片子的人，大概都体会过这种痛苦：视频里其他地方都挺完美，偏偏屏幕右上角跳出了一行乱码文字，或者某个小球的弹跳轨迹不太对。你想改掉它，唯一的办法就是重新写提示词再抽一次卡，结果刚改好文字，原本好看的背景和光影又全变了。

商汤开源了 SenseNova 6.8 Code-to-Video，试图换一种完全不同的思路来解这道题。它不靠扩散模型去猜像素，而是自己写出一段段可执行的代码，直接调用程序把每一帧画面渲染出来。

像写程序一样做动效

说白了，SenseNova 6.8 Code-to-Video 的工作方式有点类似做数学动画的 Manim 或者 HyperFrames。它把视频里的每一个元素都变成了代码里的具名对象，文字就是严谨排版的字符串，物体运动和碰撞则交给具体的物理公式去算。

在它的逻辑里，每一帧画面都是时间 t 的纯函数。这意味着只要代码确定，渲染出来的视频就分毫不差，绝不会出现文字乱码或者物体凭空变形的问题。官方展示的 90 秒发布短片以及一系列演示，包括机场复古翻页看板、几何动画和教育讲解片，全部都是由它写代码渲染生成的。

这种机制最大的好处就是极度方便修改。比如生成好机场翻板动画后，如果你觉得排版太素或者节奏偏慢，只需要像提需求一样给一句反馈，模型就会在原本的代码工程上做定向修改。翻页的机械结构、文字内容和原本留下的好设计都不会动，只调整你点名的那个部分。

55GB 的大块头，专为长轮次微调设计

不过，想在本地把这个工具跑起来，门槛可一点都不低。

商汤这套模型基于 Qwen3.8 27B 构建，完整模型权重达到了 55GB 左右，需要高端 GPU 才能顺畅运行。好在商汤在 GitHub 项目主页和 Hugging Face 上放出了完整的权重和基于 LightLLM 的部署脚本，硬件过关的开发者可以直接拉取镜像跑起来。

更值得一提的是它的工程底座。该模型原生支持 512K 的超长上下文，并且做了专门的上下文压缩优化。因为做视频微调往往需要改很多轮，它能够在持续超过 1000 轮的人机对话中保持记忆，不会改着改着就把前面的工程代码给忘了。

商汤还给它留了更大的野心。团队表示，纯代码渲染只是第一步，未来希望用代码作为通用接口，去调用文生图、3D 建模甚至传统视频大模型，把生成、剪辑与合成连成一条完整管线。由于代码渲染中每个物体的三维坐标和相机视角都是确定的，它还能反过来为世界模型和 3D 重建提供完全精确的标注数据。

为什么重要

我们认为，商汤这步棋走得非常聪明。现在的视频大模型都在卷写实画质、光影质感，但在动态图形、教育科普和图表可视化这些极其严谨的场景下，扩散模型的黑盒幻觉始终是个致命伤。商业级设计需要的不是天马行空的随机性，而是像素级的确定性和可控性。

对科普创作者和教育从业者来说，这类工具一旦成熟，做 Manim 类的高清公式讲解视频门槛会断崖式下降。但代价也很现实，55GB 的体量和高昂的显存需求，注定它现在还是极客和开发团队的玩具，普通小白短期内很难在自己的轻薄本上尝鲜。

它也给整个视频生成行业指了一条新路。谁说生成视频一定要一条道走到黑全靠神经网络猜像素？先用代码把运动轨迹、镜头调度和基础图形死死锁住，再让生成式模型在上面贴材质、补细节，这种复合架构看起来比单纯指望大模型顿悟物理世界要靠谱得多。