Claude Opus 5.5 vence o Code2Video-AA com 1536 Elo e supera o GPT-6 Astra por 109 pontos

A Artificial Analysis lançou o Code2Video-AA, uma implementação independente do benchmark HeyGen Code2Video Bench. Os modelos recebem 114 briefings de design para vídeos curtos de produto e de marca e precisam projetar o vídeo em código. No primeiro ranking, de 26 de outubro de 2026, o Claude Opus 5.5 (max with fallback) lidera com 1536 Elo. Ele tem 93 pontos de vantagem sobre o segundo colocado e é o primeiro nos cinco eixos de avaliação. Na sequência vêm o Claude Sonnet 5.5, com 1443, e o GPT-6 Astra, com 1427, e a diferença entre os dois está dentro da margem de ruído.

Como o modelo faz um vídeo sem nenhuma ferramenta

As condições são rígidas. O modelo recebe o briefing e o prompt de sistema da HeyGen em uma única chamada, sem ferramentas e sem chance de corrigir o resultado. A saída deve ser um único arquivo index.html com uma composição HyperFrames: o HTML cuida do layout, e o GSAP, da animação. Depois, a composição é renderizada em vídeo, e juízes LLM comparam os vídeos em pares nos cinco eixos. O Elo final é a média dos eixos e tem como âncora o GPT-5.5 (xhigh), fixado em 1000.

Os briefings são muito detalhados. Em um exemplo da amostra pública, é preciso montar a demo de um construtor de wireframes com cerca de 7,3 segundos. Ela tem um cartão de título preto, um corte seco, câmera estática sem zoom, uma paleta rígida com um único acento amarelo-limão #E4E41B e blocos Spacer, Media e Text que aparecem um a um na tela, sob o cursor. O modelo precisa respeitar o timing e a paleta no código.

Tabela: 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

A distância entre o líder e os modelos abertos é de pelo menos 483 pontos. Os melhores abertos são o DeepSeek V4.1 Flash (1053) e o MiMo-V2.6-Flash e o MiMo-V2.6-Pro (1052 cada).

A vantagem do Opus 5.5 é especialmente visível em craft, ou seja, na limpeza da execução: nesse eixo, ele supera o Sonnet 5.5 por 128 pontos. A menor diferença está em prompt intent, com 48 pontos. A ordem dos modelos muda pouco de um eixo para outro: nenhum deles se desloca mais de seis posições. Temporal consistency é o eixo que menos separa os modelos: a faixa de Elo ali é de 1057 pontos, contra 1222–1349 nos outros quatro eixos.

O preço da vitória e o consumo de tokens

O custo de uma tarefa varia de US$ 0,01, no MiMo-V2.6-Flash, a US$ 3,89, no Claude Fable 5.1, uma diferença de mais de 300 vezes. O líder custa US$ 3,08. O GPT-6.1 Sol, em quarto lugar, custa US$ 0,31, cerca de dez vezes menos. O GPT-6 Astra custa US$ 1,62, 5 vezes mais que o Sol, para um ganho de 58 pontos de Elo. Oito modelos estão na fronteira de Pareto de "Elo × preço". Entre eles estão o MiMo-V2.6-Flash (1052 Elo, US$ 0,01), o Claude Haiku 5.5 (1192 Elo, US$ 0,08), o GPT-6.1 Sol (1369 Elo, US$ 0,31) e o Claude Opus 5.5 (1536 Elo, US$ 3,08).

O consumo de tokens varia 16 vezes: de cerca de 11 mil no Nemotron 3 Ultra a cerca de 176 mil no Claude Sonnet 5.5. A maior parte da diferença vem dos tokens de raciocínio. As respostas com as composições ocupam de 4 a 12 mil tokens em todos os modelos. Os três modelos Claude 5.5 gastam de 152 a 176 mil tokens por tarefa, enquanto os outros 24 modelos têm média de cerca de 42 mil e mediana de cerca de 34 mil.

Há ainda uma verificação separada sobre a renderização: uma composição que não virou vídeo perde qualquer comparação. Foram renderizadas 3042 de 3078 tarefas (98,8%), e 8 dos 27 modelos completaram todas as 114. O pior resultado é o do GLM-5.3 (max): 110 de 114. Nas três últimas colocadas, foram renderizadas de 111 a 113 tarefas, de modo que o Elo baixo delas se explica principalmente pelos veredictos dos juízes sobre os vídeos prontos.

Na prática, a conclusão é esta. Se o objetivo é a máxima qualidade de animação em código e o orçamento permite, o Opus 5.5 ainda não tem concorrentes. Se a economia importa em um grande volume de vídeos, é mais sensato olhar para o GPT-6.1 Sol ou o Claude Haiku 5.5. Os modelos abertos, por ora, só servem para rascunhos baratos: o MiMo-V2.6-Flash custa quase nada, mas fica 484 pontos atrás. O ranking será atualizado na página do Code2Video-AA, e a amostra de briefings foi publicada pela HeyGen sob a licença CC BY 4.0.