Claude Opus 5.5 gana Code2Video-AA con 1536 Elo y supera en 109 puntos a GPT-6 Astra

Artificial Analysis ha publicado Code2Video-AA, una implementación independiente del benchmark HeyGen Code2Video Bench. Los modelos reciben 114 briefs de diseño para vídeos cortos de producto y de marca, y deben crear el vídeo mediante código. En el primer ranking, con fecha del 26 de octubre de 2026, lidera Claude Opus 5.5 (max with fallback) con 1536 Elo. Le separan 93 puntos del segundo puesto y es el primero en los cinco ejes de evaluación. Le siguen Claude Sonnet 5.5 con 1443 y GPT-6 Astra con 1427, y la diferencia entre ambos queda dentro del margen de ruido.

Cómo hace un modelo un vídeo sin una sola herramienta

Las condiciones son estrictas. El modelo recibe el brief y el prompt de sistema de HeyGen en una única llamada, sin herramientas y sin posibilidad de corregir el resultado. La salida debe ser un solo archivo index.html con una composición de HyperFrames: el HTML se encarga de la disposición de los elementos y GSAP, de la animación. Después, la composición se renderiza a vídeo y jueces LLM comparan los clips por pares en cinco ejes. El Elo final es la media de los ejes y está anclado en 1000 para GPT-5.5 (xhigh).

Los briefs son muy detallados. En uno de los ejemplos de la muestra pública hay que montar una demo de un constructor de wireframes de unos 7,3 segundos. Incluye una tarjeta de título negra, un corte de montaje seco, una cámara fija sin zoom, una paleta estricta con un único acento amarillo lima #E4E41B y bloques Spacer, Media y Text que aparecen uno a uno en el lienzo bajo el cursor. El modelo debe respetar en el código tanto el timing como la paleta.

Tabla: 27 modelos por Elo

• Claude Opus 5.5 (max with fallback) — 1536
• Claude Sonnet 5.5 (max with fallback) — 1443
• GPT-6 Astra (max) — 1427
• GPT-6.1 Sol (max) — 1369
• Claude Fable 5.1 (max with fallback) — 1325
• Gemini 4 Argon (high) — 1259
• Claude Haiku 5.5 (max) — 1192
• Grok 4.7 (xhigh) — 1127
• DeepSeek V4.1 Flash (max) — 1053
• MiMo-V2.6-Flash — 1052
• MiMo-V2.6-Pro — 1052
• Kimi K3 (max) — 1041
• GLM-5.3 (max) — 1034
• GPT-6 Luna (max) — 1030
• Qwen3.8 Max (0902) — 1021
• Muse Spark 1.3 (max) — 1019
• GPT-5.5 (xhigh) — 1000
• Muse Wonder (max) — 997
• GLM-5.3-Flash — 975
• Qwen3.8 27B (xhigh) — 949
• Mistral Large 4 Preview — 931
• Gemini 3.8 Flash (high) — 899
• Step 5 Preview — 821
• MiniMax-M3 — 724
• Beam 1.0 — 675
• Inkling (xhigh) — 467
• Nemotron 3 Ultra — 304

La distancia entre el líder y los modelos abiertos es de al menos 483 puntos. Los mejores modelos abiertos son DeepSeek V4.1 Flash (1053), MiMo-V2.6-Flash y MiMo-V2.6-Pro (1052 cada uno).

La ventaja de Opus 5.5 es especialmente visible en craft, es decir, en la limpieza de la ejecución: ahí supera a Sonnet 5.5 por 128 puntos. La menor diferencia está en prompt intent, con 48 puntos. El orden de los modelos apenas cambia de un eje a otro: ninguno se mueve más de seis puestos. Temporal consistency es el eje que menos separa a los modelos: el rango de Elo es de 1057 puntos, frente a 1222–1349 en los otros cuatro ejes.

El precio de ganar y el consumo de tokens

El coste de una tarea oscila entre $0,01 con MiMo-V2.6-Flash y $3,89 con Claude Fable 5.1, es decir, más de 300 veces. El líder cuesta $3,08. GPT-6.1 Sol, en cuarto lugar, cuesta $0,31, aproximadamente diez veces menos. GPT-6 Astra cuesta $1,62, 5 veces más que Sol, a cambio de una ventaja de 58 puntos de Elo. Ocho modelos están en la frontera de Pareto de «Elo frente a precio». Entre ellos figuran MiMo-V2.6-Flash (1052 Elo, $0,01), Claude Haiku 5.5 (1192 Elo, $0,08), GPT-6.1 Sol (1369 Elo, $0,31) y Claude Opus 5.5 (1536 Elo, $3,08).

El consumo de tokens varía 16 veces: de unos 11 mil en Nemotron 3 Ultra a unos 176 mil en Claude Sonnet 5.5. La mayor parte de la diferencia corresponde a los tokens de razonamiento. Las respuestas con las composiciones ocupan en todos los modelos entre 4 y 12 mil tokens. Los tres modelos Claude 5.5 gastan 152–176 mil tokens por tarea; en los otros 24 modelos, la media ronda los 42 mil y la mediana los 34 mil.

Una comprobación aparte atañe al renderizado: una composición que no llega a convertirse en vídeo pierde cualquier comparación. Se renderizaron 3042 de 3078 tareas (98,8%) y 8 de los 27 modelos completaron las 114. El peor resultado es el de GLM-5.3 (max): 110 de 114. Las tres últimas del ranking renderizaron entre 111 y 113 tareas, así que su bajo Elo se explica sobre todo por el veredicto de los jueces sobre los vídeos terminados.

La conclusión práctica es esta. Si se busca la máxima calidad de animación en código y el presupuesto lo permite, Opus 5.5 no tiene por ahora competidores. Si lo que importa es la economía en un flujo continuo de vídeos, es más razonable mirar GPT-6.1 Sol o Claude Haiku 5.5. Los modelos abiertos solo sirven por ahora para borradores baratos: MiMo-V2.6-Flash cuesta apenas unos centavos, pero se queda 484 puntos por detrás. El ranking se actualizará en la página de Code2Video-AA, y HeyGen ha publicado la muestra de briefs con licencia CC BY 4.0.