目次
2026年10月26日、Artificial Analysis は Code2Video-AA を公開した。HeyGen の Code2Video Bench の独自実装で、対象はコードで短い製品／ブランド動画を設計する能力であり、「Kling／Soraのように画素を直接出すか」ではない。UIモーション、キネティック字幕、製品デモ解説の選定なら、本ベンチの方が仕事に近い。HeyGenの動画スタック近況は：HeyGen がアバターの先へ、説明文からシーン全体を生成する動画モデルを公開。
以下の数字は Artificial Analysis の 2026年10月26日発表記事（dataset 0.3.0）に準拠する。AAは後から更新されるリーダーボードも用意している。ボードが動いた場合、この記事はその発表日のスナップショットであり、永久順位ではない。
「コードで設計する」とは何か
パイプラインは意図的に狭い：
- AAがデザインbriefとHeyGenのシステムプロンプトを送る；
- 1回呼び出し・ツールなし——ブラウズも多段agentもない；
- モデルは HyperFrames の構図1本——レイアウト用HTMLとアニメ用GSAPの
index.html——を返す； - AAがそれを動画にレンダする；
- Gemini 4 Argon が5軸 Pairwise Eloを回し、総合は5軸平均、GPT-5.5（xhigh）＝1000にアンカー。
採点対象は「コードで書いた短尺モーションが、まともなモーションデザイナーの1稿に見えるか」であり、拡散動画生成器のカメラ発明ではない。公開splitの例には、固定カメラのワイヤーフレーム録画風、キネティック字から製品reveal、チャットバブルの色サイクルなど——製品マーケ向けのモーション言語が多い。方法はAAの intelligence-benchmarking ページ Code2Video-AA 節。当サイトでは発表文と方法の整理にとどめ、再測定はしていない。
発表時の首位
規模は 27モデル × 114 brief。主なEloとAAタスクコスト：
| モデル（発表断面） | Code2Video-AA Elo | AAコスト／タスク |
|---|---|---|
| Claude Opus 5.5 (max with fallback) | 1536（1位・5軸すべて1位） | 約 $3.08 |
| Claude Sonnet 5.5 (max with fallback) | 1443（2位帯） | — |
| GPT-6 Astra (max) | 1427（Sonnetと誤差圏） | 約 $1.62 |
| GPT-6.1 Sol (max) | 1369（4位） | 約 $0.31（Opusの約1/10） |
| Claude Haiku 5.5 (max) | 1192（Pareto点） | 約 $0.08 |
Opusは次点に 93 Elo。Sonnet比では craft が最大（128）、prompt intent が最小（48）。temporal consistency の分離は最も小さい。各軸の順位は総合とほぼ同じ（軸ごと最大6位の移動）で、平均が極端な入替を隠しているわけではない。
読み方の目安：余白・階層・イージングでデモが崩れるなら craft を重視。briefの「固定カメラ・ズーム禁止・指定パレット」を無視されがちなら prompt intent を見る。temporal consistency の差が小さいのは、本断面では「数秒の動きの一貫性」より「完成度とbrief遵守」の方が順位を分けやすい、ということだ。
GPT-6.1 Sol の 1369／約 $0.31 が多くの製品チームが撮るコスト話：総合4位で、AAタスクコストは Opus の 約 $3.08 のおよそ十分の一。Astra はEloでSonnet帯だが約 $1.62——Solの約 5× で 58 Elo。「このクラフト差に5倍の評価請求は見合うか」を問う数字になる。HTMLモーションの下書きを大量に回すなら Sol を表の先頭に置き、販売用・公開用の最終稿だけ Opus に上げ、AA口径で約$3／タスクのモデル呼び出しを受け入れる、という段階運用が現実的だ。
コスト幅、Pareto、オープンウェイト
全27モデルの AA タスクコストは約 $0.01–$3.89（300×超）。Elo対コストの Pareto前線に8モデル。記事で拾える点は Haiku 5.5（1192／$0.08）と Sol（1369／$0.31）。
オープンウェイトは少なくとも 483 Elo 遅れ。本断面の上位は DeepSeek V4.1 Flash (max) 1053、MiMo-V2.6-Flash／MiMo-V2.6-Pro 約 1052。ダウンロード必須なら床の参考であり、Opus同格の約束ではない。
上記のドルはすべて Artificial Analysis のタスク評価コストであり、完成クライアントフィルム、代理店工数、素材、ナレーションの見積もりではない。ベンダーが別途「動画1本あたり」の制作パッケージを出すなら、それは人件・修正・納品を含む——Code2Video-AAの$/taskは、固定brief・1回呼び出し規則の下でAAが測ったモデル呼び出しの切片にすぎない。
レンダ率とトークン形状
構図は動画にレンダされて初めて審査対象になる。発表時 3042／3078（98.8%）が成功。8モデルが 114／114、最低は GLM-5.3 (max) の 110／114。レンダ失敗は成功相手に全敗する。
タスクぁたり出力トークンは約 ~11k–176kで、差の大半は reasoning。最終答え（構図）は約 ~4k–12k。Claude 5.5系3モデルが最多（約152k–176k／タスク）、他24モデル平均約~42k・中央値約~34k。EloとAAコストが両方高い理由の一端であり、Solが安い請求で4位なのも同じ線上の話だ。
選定への使い方
混同されがちな3つの仕事を分ける：
- ピクセル動画生成（Kling・Sora系）——Code2Video-AAの対象ではない；
- 動画理解（タイムラインQ&A／検索）——対照は Gemini の動画解析は static（1FPS）か agentic か；
- コード設計の短尺モーション（HTML／GSAPの製品デモ、キネティック字、UI解説）——本ベンチ。
発表数字の実務カット：
- 本評価で最高クラフト → Opus 5.5の1536と5軸全勝；
- 強い設計を安いAA単価で → Sol 4位・約$0.31、または Haiku Pareto・約$0.08／1192；
- GPT-6系で上積み → Astra 約$1.62でSolより約58 Elo。デモがその差を食うかで判断；
- オープンウェイト必須 → ≥483 Eloギャップを織り込み、レンダ率とHTML／GSAPを自前QA；
- 製品デモや字幕モーション → brief→HTML→renderに自パイプラインを照合。AAの審判を使わなくても、壊れたGSAP・悪いレイアウト・レンダ落ちは本ベンチが圧をかける失敗モードだ。
運用例：既定は安い前線モデル（本ベンチのHaikuやSol）で下書き→人のデザインレビューを通ったものだけ高Eloモデルで最終HTML→自前プレイヤーでrenderとQAしてからマーケへ。AAのコスト幅が制作費全体にならないようにしつつ、リーダーボードは相対クラフト信号として使う。
表の横に置く注意が二つ。審判は Gemini 4 Argon——同エコシステムのモデルが参加者行としても載る（発表Eloでは中位）。ペアワイズ自体を無効にはしないが、Eloは「Gemini 4 Argonがこれらの短尺をどう並べたか」であり、人間のクリエイティブディレクター盲検ではない。briefはHeyGen公開split（CC BY 4.0）；社内ブランド規定・法務・ローカライズはスコアの外だ。
サイト内の別の Artificial Analysis 関連：Ant の Ming-3.0-tts が Artificial Analysis の OSS TTS 上位に。
中国語・日本語の文字組と、このベンチ設定での実制作品質については、当サイトではまだテストしていません。フィードバックはサイトフッターの管理人連絡先から受け付けています。