Claude Opus 5.5 remporte Code2Video-AA avec 1536 Elo, devant GPT-6 Astra de 109 points

Artificial Analysis a publié Code2Video-AA, une implémentation indépendante du benchmark HeyGen Code2Video Bench. Les modèles reçoivent 114 briefs de design pour de courtes vidéos produit et de marque, et doivent concevoir la vidéo en code. Dans le premier classement, daté du 26 octobre 2026, Claude Opus 5.5 (max with fallback) occupe la tête avec 1536 Elo. Il compte 93 points d'avance sur le deuxième et arrive premier sur les cinq axes d'évaluation. Viennent ensuite Claude Sonnet 5.5 avec 1443 et GPT-6 Astra avec 1427, dont l'écart reste dans la marge de bruit.

Comment un modèle fabrique une vidéo sans aucun outil

Les conditions sont strictes. Le modèle reçoit le brief et le prompt système de HeyGen en un seul appel, sans outils et sans possibilité de corriger son résultat. Il doit livrer un unique fichier index.html contenant une composition HyperFrames : le HTML gère la mise en page, GSAP l'animation. La composition est ensuite rendue en vidéo, puis des LLM-juges comparent les clips deux à deux sur cinq axes. Le score Elo final est la moyenne des axes, calé sur GPT-5.5 (xhigh) à 1000.

Les briefs sont très détaillés. L'un des exemples de l'échantillon public demande de monter la démo d'un constructeur de wireframes d'environ 7,3 secondes. On y trouve une carte-titre noire, un cut sec, une caméra fixe sans zoom, une palette stricte avec un unique accent jaune citron #E4E41B, et des blocs Spacer, Media et Text qui apparaissent tour à tour sur le canevas sous le curseur. Le modèle doit tenir le timing et la palette dans son code.

Tableau : 27 modèles par 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

L'écart entre le leader et les modèles ouverts est d'au moins 483 points. Les meilleurs modèles ouverts sont DeepSeek V4.1 Flash (1053), MiMo-V2.6-Flash et MiMo-V2.6-Pro (1052 chacun).

L'avantage d'Opus 5.5 est particulièrement net sur le craft, c'est-à-dire la propreté d'exécution : il devance Sonnet 5.5 de 128 points. L'écart est le plus faible sur le prompt intent, avec 48 points. L'ordre des modèles change à peine d'un axe à l'autre : aucun ne bouge de plus de six places. La temporal consistency est l'axe qui départage le moins les modèles : l'amplitude Elo y est de 1057 points, contre 1222–1349 sur les quatre autres axes.

Le prix de la victoire et la consommation de tokens

Le coût d'une tâche varie de $0,01 pour MiMo-V2.6-Flash à $3,89 pour Claude Fable 5.1, soit plus de 300 fois plus. Le leader coûte $3,08. GPT-6.1 Sol, quatrième, revient à $0,31, environ dix fois moins cher. GPT-6 Astra coûte $1,62, soit 5 fois plus que Sol, pour un gain de 58 points d'Elo. Huit modèles se trouvent sur la frontière de Pareto « Elo contre prix ». Parmi eux figurent MiMo-V2.6-Flash (1052 Elo, $0,01), Claude Haiku 5.5 (1192 Elo, $0,08), GPT-6.1 Sol (1369 Elo, $0,31) et Claude Opus 5.5 (1536 Elo, $3,08).

La consommation de tokens varie d'un facteur 16 : d'environ 11 mille pour Nemotron 3 Ultra à environ 176 mille pour Claude Sonnet 5.5. L'essentiel de l'écart vient des tokens de raisonnement. Les réponses contenant les compositions occupent pour tous entre 4 et 12 mille tokens. Les trois modèles Claude 5.5 dépensent 152–176 mille tokens par tâche ; pour les 24 autres modèles, la moyenne est d'environ 42 mille et la médiane d'environ 34 mille.

Une vérification distincte porte sur le rendu : une composition qui ne se transforme pas en vidéo perd toutes ses comparaisons. 3042 tâches sur 3078 ont été rendues (98,8%), et 8 modèles sur 27 ont réussi les 114. Le plus bas score est celui de GLM-5.3 (max) : 110 sur 114. Les trois derniers modèles du classement ont rendu 111–113 tâches ; leur faible Elo s'explique donc surtout par les verdicts des juges sur les vidéos effectivement produites.

En pratique, la conclusion est la suivante. Si l'on veut le maximum de qualité d'animation en code et que le budget le permet, Opus 5.5 n'a pour l'instant pas de concurrent. Si l'économie compte sur un flux de vidéos, mieux vaut regarder GPT-6.1 Sol ou Claude Haiku 5.5. Les modèles ouverts ne conviennent pour l'instant qu'à des brouillons bon marché : MiMo-V2.6-Flash coûte trois fois rien, mais accuse 484 points de retard. Le classement sera mis à jour sur la page Code2Video-AA, et l'échantillon de briefs a été publié par HeyGen sous licence CC BY 4.0.