TryAI تواجه Claude Fable 5 مع GPT-5.6 Sol في ساحة فيديو موسيقي بميزانية 100 دولار

نشرت TryAI مقارنة منحت فيها نموذجين متقدمين — Claude Fable 5 وGPT-5.6 Sol — الأغنية نفسها وميزانية دولارية صارمة ومجموعة أدوات، ثم تركتهما ينتجان فيديو موسيقيًا كاملًا بمفردهما. كان الهدف مراقبة اختلاف استخدام الأدوات بين النماذج في مهمة طويلة ومفتوحة.

كيف تعمل الساحة

شغّل كل نموذج حلقة مستقلة لاستدعاء الأدوات تضم ست أدوات: plan وweb_search وget_budget وgenerate_image وgenerate_video وrun_command. أداتا التوليد وحدهما تستهلكان الميزانية، ويختار النموذج بنفسه نموذج FAL أو Replicate ومعطياته. توفر الصدفة ffmpeg وffprobe لتحليل الصوت وقص المقاطع ودمج الفيديو النهائي؛ وعند نفاد الميزانية يُرفض التوليد المدفوع لكن المونتاج يستمر. جرى تسجيل كل رسالة واستدعاء وخصم وخطأ، والإطار منشور بمصدر مفتوح على GitHub.

تلقت الجولات الأربع — نموذجان بميزانيتي 25 و100 دولار — المدخلات نفسها: أغنية “Uptown Funk” لبرونو مارس ومارك رونسون، ووصف قصير، ونص كلمات الأغنية مع الطوابع الزمنية.

كم كلفت الجولات

اكتملت الجولات الأربع ذاتيًا دون بلوغ حد الخطوات أو الوقت، وأنتجت جميعها فيديو كامل الطول مع الأغنية الأصلية. تراوح الزمن بين 38 دقيقة و56 ثانية (Claude Fable 5 بميزانية 100 دولار) و49 دقيقة و39 ثانية (GPT-5.6 Sol بالميزانية نفسها). بلغت نفقات التوليد 24.30 و48.60 دولار في جولتي Claude، و23.18 و36.57 دولار في جولتي Sol؛ وبإضافة تكلفة رموز النموذج (10/50 دولارًا لكل مليون رمز إدخال/إخراج في Fable 5 و5/30 في Sol) تصل التكلفة الإجمالية إلى 41.29 و27.45 و39.82 و73.65 دولارًا. أنتجت كل جولة بين 46 و80 مقطعًا منفصلًا.

عند ترك الاختيار لهما، اختلف مسار النموذجين. ثلاث جولات من أصل أربع ذهبت إلى تحويل النص إلى فيديو مباشرة؛ وحدها جولة GPT-5.6 Sol بميزانية 25 دولارًا بنت مسارًا من الصورة إلى الفيديو، فولّدت لقطات عبر FLUX schnell ثم حرّكتها. وبميزانية 100 دولار جمع Sol في جولة واحدة ثلاثة نماذج فيديو هي Wan 2.5 وVeo 3.1 Lite وHailuo 2.3 Standard، بينما استخدم Fable 5 نموذج Seedance 1.0 Pro وأنتج المخرج الوحيد بدقة 1920x1080. لم يلمس أي نموذج Replicate رغم توفر المفتاحين.

ما لا يزال لا يعمل

لا تجمّل TryAI النتيجة: لم يكن أي الفيديو رائعًا. شكلت ثبات الشخصيات والحبكة صعوبة في الجولات الأربع، إذ تتغير الشخصيات بين اللقطات، ولم تحافظ أي جولة على خط سردي متماسك. كما تأخذ النماذج كلمات الأغنية حرفيًا: فمقطع “make a dragon wanna retire” يُنتج تنينًا حقيقيًا على الشاشة. وضعف أيضًا تطابق الإيقاع؛ تقع القطعات على النبضة، لكن الحركة داخل المقاطع نادرًا ما توافق سرعة الأغنية.

اقتصر المونتاج غالبًا على مرور واحد: بعد توليد المقاطع دمجتها النماذج وأضافت الصوت، لكنها نادرًا ما أعادت القص أو أضافت مؤثرات، ولم يفحص أي منها مادته بجدية. ويرى الفريق أن ميزانية 100 دولار كانت على الأرجح أكبر من اللازم، إذ لم يسع أي نموذج إلى الاقتراب من السقف.