SenseNova Code2Video rendert auf einer 24-GB-Karte einen 12-Sekunden-Entwurf, dann bleibt es hängen
SenseTimes 27B-Modell, das Videos per Code baut, renderte auf einer RTX 4090 in 10 Minuten einen 12-s-Entwurf mit Layoutfehler, den Film aber nie.
Die Beschriftung im Bild lautet "5 rows × 6 columns = 30". Die Punkte darunter stehen in 5 Reihen zu je 7, mit einer leeren Zelle in jeder Reihe. Das Bild stammt aus einem 12 Sekunden langen Erklärclip, den SenseNova 6.8 Code2Video, das offene 27B-Modell von SenseTime, selbst geschrieben, gerendert und geprüft hat, gesteuert von Claude Code auf einer einzigen RTX 4090 mit 24 GB in unserer Cloud. Der vollständige Entwurf war nach 10 Minuten fertig. Was sich für alle ändert, die Modelle betreiben: Für ein Video braucht man kein Videomodell mehr. Ein Text- und Bildmodell, das Sie schon zu betreiben wissen, schreibt eine Webseite, die jedes Bild zeichnet. Das läuft auf einer Gaming-Karte, liefert schnell einen groben Entwurf, und jede Beschriftung lässt sich im Code ändern. Was auf dieser Karte und mit unseren Einstellungen noch nicht geht: das Modell allein lassen und später zu einem fertigen Film zurückkommen. Unser 40-Minuten-Lauf endete ohne einen.
Ein Videomodell, das nie ein Pixel malt
SenseNova 6.8 Code2Video zeichnet keine Bilder. Die Autoren beschreiben es als Modell, das "builds and renders videos by generating executable code". Der Clip ist eine Webseite, auf der jeder Zeitpunkt genau ein Bild hat.
Jedes Element im Bild ist Code: Sie ändern eine Farbe oder eine Beschriftung und rendern neu. Und Text erscheint Buchstabe für Buchstabe so, wie er geschrieben wurde, weil er getippt und nicht gezeichnet wird.
SenseTime hat das Modell unter einer offenen Lizenz veröffentlicht, zusammen mit einem Claude-Code-Skill namens code-video. Der Skill bringt eine Schleife bei: planen, die Seite schreiben, Standbilder rendern, sie ansehen, korrigieren, dann den Film rendern und eine Dateiprüfung laufen lassen. Die Autoren betreiben das Modell in voller Größe auf vier GPUs mit einem Arbeitsgedächtnis von 512K Tokens. Sie sagen auch offen, dass es "clearly behind the strongest proprietary models on visual polish and long-horizon reliability" ist.
Unsere Frage war kleiner: Schafft eine komprimierte Kopie, ein Drittel so groß, einen kurzen Clip auf einer einzigen 24-GB-Karte?
Unser Test: Die Schleife funktioniert, die eine Tatsache, auf die es ankommt, nicht
Der Auftrag war ein stummer Erklärclip von 12 Sekunden namens "Half a Rectangle": Eine Treppe aus blauen Punkten zeigt 1 + 2 + 3 + 4 + 5 = 15, eine orange Kopie dreht sich und schließt sie zu einem Rechteck aus 5 mal 6 Punkten, also 30. Die Hälfte von 30 ist 15.
Wir haben die 4-Bit-Kopie von bartowski (17,2 GB) samt Vision-Teil betrieben, damit das Modell seine eigenen Bilder sehen konnte. Nach 5 Minuten hatte das Modell seinen Plan geschrieben, nach 10 die vollen 12 Sekunden gerendert. Unterwegs las es 21 seiner eigenen Frames als Bilder ein und korrigierte, was es sah. Die Bewegung ist sauber, und jedes Wort im Bild entspricht dem Auftrag.
Das Bild verfehlt trotzdem die eine Tatsache, auf die es ankommt. Wir haben die Mittelpunkte der Punkte vermessen: 7 Spalten, nicht 6, also schließen sich die beiden Treppen nie zum Rechteck. Die Dateiprüfung lief trotzdem durch, denn sie prüft Auflösung, Bildrate und Länge, nicht das Bild.
Dann ging dem Lauf der Platz aus. Claude Code hält alles, was das Modell gelesen und geschrieben hat, in seinem Arbeitsgedächtnis, und bei 80 % Füllstand bittet es das Modell, zusammenzufassen und neu anzufangen. Unseres fasste 98.304 Tokens und war nach etwa 19 Minuten voll. Drei Versuche einer Zusammenfassung stießen jeweils an unsere Grenze von 16.384 Tokens pro Antwort und verbrauchten die letzten 21 Minuten. Das 40-Minuten-Limit beendete alles ohne fertigen Film.
| Auf einer RTX 4090 mit 24 GB | Was wir gesehen haben |
|---|---|
| Erster vollständiger Render von 12 s | 10 Minuten, ein Layoutfehler |
| Spitzenbelegung des Kartenspeichers, Agent-Lauf | 20,9 GiB |
| Fertiger Film innerhalb von 40 Minuten | keiner, an Zusammenfassungen hängen geblieben |
| Kleinste Kopie, deren Seite rendert | 3-Bit, 13,7 GiB Spitze, es ist immer nur ein Punkt zu sehen |
Für wen das relevant ist
- Teams, die Erklärvideos und Motion Graphics mit exaktem Text machen. Einen Versuch auf einer 24-GB-Karte wert: ein vollständiger Entwurf in 10 Minuten, und jede Beschriftung lässt sich im Code ändern.
- Alle, die das Bild beim ersten Mal richtig brauchen. Prüfen Sie jedes Bild selbst.
- Alle, die einen fertigen Film ohne Aufsicht wollen. Rechnen Sie mit Stunden und weit mehr Arbeitsgedächtnis, wie die Autoren. In vier ihrer sechs veröffentlichten Läufe räumte Claude Code ein Arbeitsgedächtnis von 167K bis 492K Tokens ab, mit einer Grenze von 64K pro Antwort.
- Teams mit einer 16-GB-Karte. Die 3-Bit-Kopie passt auf dem Papier, aber wir haben sie auf der 4090 gemessen, nicht auf einer echten 16-GB-Karte, und ihre eine Stichprobe hatte einen Fehler.
Noch etwas, auf das Sie auf unserer Plattform stoßen werden: Wenn Claude Code ein Bild schickte, ließ unsere Plattform das Bild weg oder gab es als Text weiter. In unserem Test-Build ist das behoben, im gehosteten Dienst noch nicht, dort kommen Bilder weiterhin blind an.
Die ehrliche Grenze: Das war ein Versuch mit einem Auftrag, mit einem Arbeitsgedächtnis und einer Antwortgrenze weit unter den Einstellungen der Autoren. Er zeigt also, was eine Karte mit diesem Setup schafft, nicht, was das Modell kann.
Die Pixelmessungen, die Speicherstufen für kleinere Karten, der zeitliche Ablauf des Hängenbleibens und das SDK-Beispiel stehen im vollständigen Test von SenseNova Code2Video.