AI测试机构TryAI给Claude Fable 5和GPT-5.6 Sol各发了两笔预算——25美元和100美元,让它们独立完成同一件事:把Bruno Mars和Mark Ronson的《Uptown Funk》做成一支完整音乐MV。模型自己挑视频生成模型、自己调API出素材、自己用ffmpeg剪辑合成,全程没有人插手。
四次运行都没撞上时间或步数上限,自己收了工,交出配好原声的完整成片。但预算翻到100美元后,两个模型都没把钱花完,画面质量也没跟着预算一起涨——这更像一次关于Agent能不能扛住长任务的测试,不是Claude和GPT在视频生成上的正式排名。
同一首歌跑四次,预算翻倍没人花完
TryAI用的是自建、开源的agent测试框架,给了模型六个工具:思考、搜索、查预算、生成图片、生成视频、跑本地命令。四次运行输入完全一致,同一首歌、同一段文字说明、同一份带时间戳的歌词,唯一变量是预算档位——25美元和100美元。
25美元档,两个模型花得都差不多干净。到了100美元档,Sol只花了$36.57的生成费,Fable花了$48.60,都没碰到预算上限。加上调用模型本身的token成本,四次运行的总成本如下:
| 版本 | 生成花费 | Token成本 | 总成本 |
|---|---|---|---|
| Claude Fable 5 · 25美元预算 | $24.30 | $16.99 | $41.29 |
| Claude Fable 5 · 100美元预算 | $48.60 | $25.05 | $73.65 |
| GPT-5.6 Sol · 25美元预算 | $23.18 | $4.27 | $27.45 |
| GPT-5.6 Sol · 100美元预算 | $36.57 | $3.25 | $39.82 |
生成花费依然是总账单里的大头,这一点没变。但Fable的token成本占总账单三到四成,Sol始终压在一成左右——即便两者调用的token量级接近。这个差距足够把两个模型的总成本顺序拉开,算总账不能只看生成费用一项。
标题里的"100美元"只是生成环节的预算上限,不是任务的实际总账单。比较两个模型的成本,生成花费、token费用、总成本是三件事,不能混着算。
单一模型对三线混剪,钱花在哪画面不一定好在哪
两个模型在100美元档做出了完全不同的选择。Fable从头到尾只用Seedance 1.0 Pro一个视频模型,输出1080p。Sol在同一次运行里混用Wan 2.5、Veo 3.1 Lite和Hailuo 2.3三款模型,输出720p。
多模型混用听着更"聪明",实际没换来更高的成片质量。Sol的100美元档里有几段素材明显偏糊,反倒是Fable守着同一个视频模型,整体连贯度更稳。这是作者看过四支片子后的主观偏好,样本只有一次,算不上客观胜负。
两个模型全程都没碰过另一个可用的生成平台Replicate,只用了FAL一家。选择范围比想象中窄,这也是这次测试的一个背景限制。
角色漂移、不回看素材:能交片不等于会审片
四支MV有个共同毛病。角色在镜头之间会漂移,没有一支完整撑住一条叙事线。歌词被逐字直译成画面——"让龙都想退休"这句歌词真的生成了一条龙,头几个镜头有趣,看久了就显得生硬。镜头动作和音乐节拍也对不上,卡点剪辑准,但画面里的舞蹈、运镜跟着的是另一套节奏。
更值得留意的是,四次运行没有一次模型主动回去重剪,或者系统检查自己生成的素材能不能用。素材出来直接拼接、混音、导出,中间几乎没有复盘。
能自主跑完全流程,不等于知道自己拍得好不好。
前沿模型已经能独立跑通"搜索模型—生成素材—ffmpeg剪辑—交片"这条长任务链路。但长时间保持角色一致、卡准节奏、自己审片,依然是明显短板,多给预算也没能补上。
这对两类人有现实意义。计划用生成式视频压缩MV或品牌短片成本的团队,现阶段可以拿它做提案期的低成本demo、动态分镜草稿,但先别用来交付成片——没有人在中间把关,连贯性和节奏撑不住一整支片子,导演、剪辑和人工质检这几块预算还砍不动。评估Agent工具调用和长任务能力的技术负责人,该盯的是账本结构而不是预算上限这个数字:把生成花费和token成本分开记,同样调用量级下不同模型的推理开销能差出好几倍,压测一个Agent任务要拿实际总成本核算,而不是设定的预算池。
值得接着盯的是TryAI会不会扩大样本、多跑几次同一测试来验证这个结论是否稳定,以及两家模型后续会不会针对角色一致性和自我审片能力做专项优化。这终究是TryAI在自家工具链下跑的四次案例,样本小,不能直接外推成Claude和GPT在视频生成上的整体能力排名。