商湯開源 SenseNova 6.8 Code-to-Video：靠寫程式碼生成影片，單個元素隨意改

用傳統影片生成模型做過片子的人，大概都體會過這種痛苦：影片裡其他地方都挺完美，偏偏螢幕右上角跳出了一行亂碼文字，或者某個小球的彈跳軌跡不太對。你想改掉它，唯一的辦法就是重新寫提示詞再抽一次卡，結果剛改好文字，原本好看的背景和光影又全變了。

商湯開源了 SenseNova 6.8 Code-to-Video，試圖換一種完全不同的思路來解這道題。它不靠擴散模型去猜畫素，而是自己寫出一段段可執行的程式碼，直接呼叫程式把每一幀畫面渲染出來。

像寫程式一樣做動效

說白了，SenseNova 6.8 Code-to-Video 的工作方式有點類似做數學動畫的 Manim 或者 HyperFrames。它把影片裡的每一個元素都變成了程式碼裡的具名物件，文字就是嚴謹排版的字串，物體運動和碰撞則交給具體的物理公式去算。

在它的邏輯裡，每一幀畫面都是時間 t 的純函式。這意味著只要程式碼確定，渲染出來的影片就分毫不差，絕不會出現文字亂碼或者物體憑空變形的問題。官方展示的 90 秒釋出短片以及一系列演示，包括機場復古翻頁看板、幾何動畫和教育講解片，全部都是由它寫程式碼渲染生成的。

這種機制最大的好處就是極度方便修改。比如生成好機場翻板動畫後，如果你覺得排版太素或者節奏偏慢，只需要像提需求一樣給一句反饋，模型就會在原本的程式碼工程上做定向修改。翻頁的機械結構、文字內容和原本留下的好設計都不會動，只調整你點名的那個部分。

55GB 的大塊頭，專為長輪次微調設計

不過，想在本地把這個工具跑起來，門檻可一點都不低。

商湯這套模型基於 Qwen3.8 27B 構建，完整模型權重達到了 55GB 左右，需要高階 GPU 才能順暢執行。好在商湯在 GitHub 專案主頁和 Hugging Face 上放出了完整的權重和基於 LightLLM 的部署指令碼，硬體過關的開發者可以直接拉取映象跑起來。

更值得一提的是它的工程底座。該模型原生支援 512K 的超長上下文，並且做了專門的上下文壓縮最佳化。因為做影片微調往往需要改很多輪，它能夠在持續超過 1000 輪的人機對話中保持記憶，不會改著改著就把前面的工程程式碼給忘了。

商湯還給它留了更大的野心。團隊表示，純程式碼渲染只是第一步，未來希望用程式碼作為通用介面，去呼叫文生圖、3D 建模甚至傳統影片大模型，把生成、剪輯與合成連成一條完整管線。由於程式碼渲染中每個物體的三維座標和相機視角都是確定的，它還能反過來為世界模型和 3D 重建提供完全精確的標註資料。

為什麼重要

我們認為，商湯這步棋走得非常聰明。現在的影片大模型都在卷寫實畫質、光影質感，但在動態圖形、教育科普和圖表視覺化這些極其嚴謹的場景下，擴散模型的黑盒幻覺始終是個致命傷。商業級設計需要的不是天馬行空的隨機性，而是畫素級的確定性和可控性。

對科普創作者和教育從業者來說，這類工具一旦成熟，做 Manim 類的高畫質公式講解影片門檻會斷崖式下降。但代價也很現實，55GB 的體量和高昂的視訊記憶體需求，註定它現在還是極客和開發團隊的玩具，普通小白短期內很難在自己的輕薄本上嚐鮮。

它也給整個影片生成行業指了一條新路。誰說生成影片一定要一條道走到黑全靠神經網路猜畫素？先用程式碼把運動軌跡、鏡頭排程和基礎圖形死死鎖住，再讓生成式模型在上面貼材質、補細節，這種複合架構看起來比單純指望大模型頓悟物理世界要靠譜得多。