Opus 5.5 为什么更会做动画：从真实工程拆解视觉能力跃迁

一段动画里，同一个角色跨过几个镜头，颜色没有变，身体比例没有漂移，字幕准时出现，最后一个动作落在音乐节拍上。看到这样的作品，很容易把进步归结为“模型突然懂视频了”。但在公开项目 Shipvideo 里，Opus 交出的核心文件其实是一份 HTML：浏览器负责把它变成画面，编码器再把画面变成视频。项目说明

这不减损作品的价值，却改变了我们该问的问题。我们需要解释代码为什么适合做这类动画，也需要解释：相同工具其他模型也能用，为什么这一代可能做得更好？

截至 2026 年 9 月 26 日，公开证据支持一个有分寸的判断：**Opus 5.5 在专业读图、看多视角图生成 CAD 程序等测试中有明确进步；真实项目展示了这类能力进入制作流程后的价值。但完整动画的质量跃迁，还不能全部归因于模型，更不能直接等同于世界模型或某项强化学习技术的突破。**下面沿着成片的生产过程，看看证据分别落在哪里。

一份程序怎样变成一千帧画面

Opus 5.5 的官方接口接受文字和图像，输出文本。它于 2026 年 9 月 22 日发布；就这个接口而言，它并不直接输出像素视频。模型文档

文本可以是剧本，也可以是能运行的程序。Shipvideo 选择后者：模型写出包含布局、图形与动画逻辑的单个 HTML 文件，渲染端用浏览器的虚拟时钟推进时间、逐帧取画面，再用 ffmpeg 编码。导演提示还限制了外部图像、视频和随机行为，尽量让输出成为可重复执行的作品。导演源码 、渲染源码

这条路线把一个困难转移到了更容易控制的地方。

以一段假设的 30 秒、每秒 30 帧动画为例，它共有 900 帧。若角色的形状和颜色定义在同一份绘图函数里，900 帧都会调用这份定义。模型不必为每一帧重新决定“这个角色长什么样”，只需决定它在此刻的位置、缩放、表情和动作。跨帧一致性的一部分由程序执行保证。

运动也可以压缩成少量规则。让一个圆从左边进入画面，可以给出起点、终点、开始时间、持续时间和一条缓动曲线。曲线负责逐渐加速或减速，渲染器计算中间的所有位置。只要逻辑正确，延长半秒、改成蓝色、把轨迹调高，都有明确的修改入口。

第二个公开项目 PDoomVideo 将这种做法写成制作纪律：每个镜头都应是时间 t 的纯函数，使用共享的角色形状、调色板、时间线与节拍工具。所谓纯函数，是指直接询问第 12 秒该画什么，就能得到结果，不依赖是否已经播放过前 11 秒。因此各帧可以并行、乱序渲染，也便于跳到具体时刻检查。动画协作规范

这里的收益非常具体：角色复用减少身份漂移，统一时间线减少镜头错位，确定性执行减少“重跑一下又不一样”，参数化修改减少整段重做的成本。图文动效、产品说明片和风格化动画尤其容易利用这些条件。复杂真人动作与开放场景物理仍是另一类难题，不能从这些案例推出同样的优势。

不过，程序只会忠实执行决定。一个始终画错的角色，也能保持高度一致。

难点在于做出一组能共存的决定

“把视觉意图转成程序”听起来像解释，实际上还少了一层：意图通常并没有说清楚。

假设任务是“做一段 20 秒的缓存原理动画，给没有技术背景的人看，轻快一点”。这只是说明性例子，不是本文做过的模型实验。模型首先要决定用什么表达缓存：旁边的小抽屉、服务台，还是一张临时便条？随后要让观众看懂第一次取数据与第二次命中的区别，同时处理字幕、节奏、空间和结尾。

这些决定相互牵制。把解释写完整，文字可能来不及读；延长字幕停留，后面的动作要缩短；把数据库画大一些，数据移动路径和画面重心又要重排。即使每个局部都没有代码错误，整段动画仍可能让人不知道该看哪里。

因此，强模型的潜在优势不只是少写错几个函数，还包括选择一个能拍完的表达方案，在后续实现中维持它，并在发现问题时知道该牺牲什么。把任务拆成十个镜头不难，让十个镜头共同完成一个解释才难。

PDoomVideo 的公开分镜提供了一个有意思的例子：主角从屏幕上的涂鸦逐渐扩大到行星尺度，舞台反复出现并升级，最后拉远揭示舞台表演。这个叙事安排给各个场景施加了共同约束——规模可以扩大，但仍要属于同一个世界，结尾还必须能够回收前面的视觉设定。分镜文件

这种高层承诺能帮助避免“每一屏都很热闹，整片却没有方向”。但分镜里写了什么，和模型是否独立、稳定地完成了所有制作步骤，是两种证据。项目作者说作品通过两轮 Claude Code 生成，第二轮补充了笔触、场景趣味与转场要求，并称分镜和协作规范由模型编写；这些属于作者的制作说明，公开仓库并未提供足以验证每一步的完整执行记录。音乐另有 2024 年的作品来源，不能算作 Opus 原生生成的音视频。作者说明

好看有多少已经写在规则里

理解成片还要追问：哪些决定原本就有人替模型做了？

Shipvideo 的导演提示已经给出相当具体的设计要求：20—40 秒、6—10 个节拍、每屏最多 8 个词，并规定叙事次序、字体候选、调色板、缓动和结尾停留。这些要求会提前排除一批常见问题，例如满屏文字、节奏没有起伏、最后一屏一闪而过。导演提示源码

因此，看到这个系统生成一段清爽的短片，合理的解释应包括它借用了已有设计知识。模型仍需决定具体内容并正确实施，但“每屏少写字”这条原则并非它临场发现。

PDoomVideo 的归因稍有不同。按作者说法，模型参与编写了制作规范，那么产出可用规则本身也可能属于模型能力。不过，作者补充的第二轮要求依然是人工贡献。不能把成片里所有好决定都记给模型，也不能因存在提示词就把模型贡献归零。

可以将这些环节分开理解：项目定义决定要交付什么；规则缩小方案选择范围；模型选择并实现具体方案；harness——让模型调用工具、接收结果、继续执行的运行系统——把这些决定接到真实环境上；渲染器负责忠实生成画面。评价 agent 时测到的是模型与这套运行系统的组合，这也是 Anthropic 的评估工程文档明确强调的口径。Agent 评估说明

其中还有一个容易高估的环节：反馈。

Shipvideo 的 check_scene 会报告 JavaScript 错误、网络错误，以及指定时间点的 DOM 可见文字和背景色。它并不把截图交回模型评审。这能帮助发现页面没运行、文字没有按时出现，却无法充分判断字幕是否被遮住、Canvas 内的文字是否好读、构图是否呆板。检查工具返回“没报错”，距离观众觉得“好看”还很远。检查工具源码

PDoomVideo 的规范则要求渲染静帧和 contact sheet（多帧拼图），查看首尾、中间与转场，检查遮挡、尺度、对比和动作僵硬。这种反馈更接近视觉问题，但规范要求做，并不等于每一项实际执行过；少量静帧也不能完整检验运动节奏。检查规范

工具的价值取决于它能暴露哪种错误，也取决于模型能否把错误修掉。一个只返回运行日志的环境，不能因为里面放了视觉模型，就自动拥有视觉审稿能力。

工具大家都有，为什么这一代仍可能更强

到这里，我们解释了代码动画的优势，却还没有解释 Opus 5.5 相比上一代的进步。程序、浏览器和协作规范都不是它独占的技术。

更直接的证据在系统卡。以下数字来自同一版系统卡中的同口径比较；保留无工具和有工具两列，正是为了避免把所有进步混在一起。

Chartography 包含 100 道专业读图题，报告 5 次运行，使用 adaptive max 和统一判分模型。BenchCAD 要求从多视角图像生成 CadQuery 代码，这里使用 1,000 个样本的子集、5 次运行；voxel IoU 衡量生成几何与目标几何的空间重合程度。系统卡将每个视图分辨率从旧实现的 128px 改为 256px，并重算了旧模型结果，因此应比较本卡数字，不能直接拼接以前的成绩。系统卡 §8.13.1—2，pp.199—204

无工具成绩的提升很重要：它说明进步无法完全由外部检查工具解释。读图和从图像重建几何，更接近模型自身的视觉理解、空间推理与程序表达。尤其 BenchCAD，把“看懂图”与“写出对应形状的程序”接了起来，为代码视觉作品提供了相关旁证。

有工具时，两代模型又都明显提高，说明反馈和执行环境有很大价值。但不要用两列的差值计算“工具贡献了百分之多少”：工具会改变解题过程，模型能力也会影响工具用法，两者存在交互；不同模型消耗的推理计算也没有被严格固定。

更关键的是，读对图表不等于懂节奏，几何重合不等于动画有趣。系统卡中的部分幽默与创意掌握指标也没有全面领先。它们同样不是动画评测，但足以提醒我们别把局部能力提升写成审美全面胜出。系统卡 §6.4.7，pp.116—118

独立评测提供了另一层背景。Artificial Analysis 报告 Opus 5.5 的 Intelligence Index 为 58，10 项测试中领先 6 项，Terminal-Bench 4.0 与 Astra xhigh 相当，在 CritPt、AA-LCR、GDP.pdf 等项目上则落后；在使用参考 harness Stirrup 的 AA-Briefcase 中，分析与呈现表现进步。不过，max 档每任务约输出 119k tokens，高于 Opus 5 的约 73k。共同 harness 并不代表共同计算预算，tokens 数也不能直接当作跨模型的等价算力。Artificial Analysis 报告

这些结果共同增强了“模型端任务能力进步”的可信度，但没有补上动画的受控对照。本文也没有运行模型替换实验或成片盲评。

如果一定要排序，需要先说清排序对象。解释这个系统为什么能产出可控短片，程序表示与确定性渲染是基础，项目规则和可用反馈决定可完成范围，模型负责其中的选择与执行。解释同样条件下这一代为什么变好，模型端能力进步是更有直接证据的候选原因，规则、harness 和预算则可能放大它；目前无法给出可靠比例。

一种合理的机制推论是：少数能力越过可用门槛，能让成片观感出现远大于单项分数变化的提升。此前总在修运行错误、修错位、补丢失的角色，新一代若更早完成这些基础工作，同一时间预算就能用来调停留、转场和视觉重心。观众看到的是打磨后的整体。这个解释符合制作流程，但仍需用实际返工次数与时间记录验证，不能作为已测得的 Opus 特性。

强化学习究竟解释了什么

追到训练层，首先要把四件事分开。

预训练让模型从大量数据中学习语言、代码、图像关联及其他规律。系统卡披露了互联网、公开与私有数据集、获许可的用户资料、其他模型生成的合成数据等来源，以及预训练后的微调；它没有给出足以重建能力跃迁的架构、参数与数据配比。系统卡 §1.1，p.11

后训练进一步调整模型的行为。强化学习是其中一种方式：模型尝试完成任务，训练过程依据奖励信号调整参数，使更高回报的行为更容易出现。Opus 5.5 系统卡明确讨论了 RL 训练 episodes、软件工程环境和 reward hacking 监测，因此不能说“是否使用 RL 完全未知”。但“用了 RL”与“视觉跃迁主要来自特定美学奖励”之间，仍缺少公开因果证据。系统卡 §6.2.1，pp.97—99

推理时反馈发生在这一次任务中。模型看到渲染结果，发现字幕被遮挡，修改位置并重新渲染；它改的是当前作品。没有另外的训练过程，就不能把这次改稿称为模型参数“实时学会了审美”。

评估则回答系统是否达到要求。可以用代码检查时长与运行错误，用模型辅助比较画面，用人评判断表达和节奏。一次发布前 eval 本身不会自动更新参数；它的结果可以指导后续开发或训练，但那是下一步。评估方法说明

若设计一个动画训练任务，怎样打奖励会是核心难点。以下是解释性假设，并非 Anthropic 公布的配方：只奖励“成功导出视频”，模型可能交出一张静止画面；再奖励“字幕存在”，它仍可能把字幕缩到难以辨认；奖励“画面变化丰富”，又可能鼓励毫无意义的晃动。每一个容易计算的代理指标，都可能偏离观众真正要的结果。

这也是为什么一条能发现问题的反馈链很宝贵，却不足以独自解释创造力。设计训练目标、监测奖励投机、用未参与训练的任务检验泛化，是不同工作。现有公开资料证明 RL 参与了训练，尚未证明哪种训练改动贡献了多少动画质量。

这算世界模型突破吗

需要先把“知道世界里的很多事”和“学习了可用于预测的环境动力学”分开。

在与交互和控制相关的世界模型研究中，一个实用判据是：给定当前状态或观测，再给一个动作，系统能否预测之后的环境，并支持新的动作序列。Dreamer 4 就明确研究从数据学习环境模型，再在模型生成的想象轨迹中训练行为；其项目展示了 Minecraft 中的交互与任务执行。Dreamer 4 原始研究

固定时间动画回答的主要是“第 12 秒应该画哪一幕”。世界模型还要处理“如果此时改走另一条路，会发生什么”。前者可以完全由脚本预先规定；后者要求预测对行动变化作出有意义的响应。

当然，程序也能定义仿真世界，语言模型也可能写出带物理规则的交互程序。但这仍不等于模型从数据中学得了可泛化的开放世界动力学。上述动画工程没有提供这种验证。它们证明了组织、实现和执行视觉程序的能力，世界模型突破则需要另一组任务与证据。

IPO 能解释发布时机，解释不了画面机制

商业背景值得知道，但不宜拿来替代技术分析。Anthropic 在 2026 年 6 月 1 日宣布向 SEC 保密提交 S-1 草案，说明其正在为可能的 IPO 做准备；公告并未表示上市已经完成。官方公告

从商业逻辑推测，上市准备可能增强展示产品能力的动机。但这只能作为传播与发布选择的背景，无法解释共享角色如何保持一致、为何无工具读图成绩提高，也不能反过来证明演示造假。对演示的怀疑应落到可检查的问题上：是否挑选成功样本，试了多少次，是否有人改稿，用了多少时间。

真正还缺的，是同一任务里的比较

对想选制作工具的读者，最有用的下一步，是让不同模型完成相同的交付，而不是比较各自最精彩的演示。

可以给 Opus 5、Opus 5.5 和一个其他代码模型同一份短片需求，固定运行环境、素材与规则，在几个明确的费用或时间上限下各做多次。共同 harness 用来约束工具条件；同时记录实际开销，因为相同 token 上限并不等价于相同成本或计算。再让不知道模型身份的评审分别看内容正确性、文字可读性、运动节奏、角色连续性和修改便利性，并报告失败率、人工干预与耗时。

如果想分离规则的作用，就分别做有设计规范和没有规范的版本；如果想分离反馈的作用，再比较只看日志与能看渲染帧的版本。这样才有机会看清某个模型是初稿更好、修错更强，还是愿意花更多预算。

今天已经可以确认，代码给视觉创作提供了一种有效的组织方式，而 Opus 5.5 在相关视觉与程序任务上有值得重视的进步。还没有确认的是：在相同制作条件下，这些进步能多稳定地变成更好的整片。

下次看到令人惊艳的演示，不妨再找三样东西：可运行的项目、修改过程和失败记录。成片展示上限，后面这三样，才更接近你实际能得到的结果。

参考资料

• Claude Opus 5.5 模型规格与发布日期
• Claude Opus 5.5 System Card ：本文使用 §1.1、§6.2.1、§6.4.7、§8.13.1—2。
• Artificial Analysis：Opus 5.5 独立评测
• Shipvideo 项目 、导演提示 、检查工具 、渲染工具 。源码引用固定于提交 38ce668。
• PDoomVideo 作者说明 、动画协作规范 、分镜 。引用固定于提交 fa546a3。
• Anthropic：Demystifying evals for AI agents
• Dreamer 4：Training Agents Inside of Scalable World Models
• Anthropic：保密提交 S-1 草案的公告