TryAI-ը Claude Fable 5-ին և GPT-5.6 Sol-ին դիմակայեց $100-անոց երաժշտական տեսահոլովակի ասպարեզում

TryAI-ը հրապարակել է մրցույթ, որում երկու առաջատար մոդելներ՝ Claude Fable 5-ը և GPT-5.6 Sol-ը, ստացան նույն երգը, խիստ դոլարային բյուջե և գործիքների հավաքածու, ապա ինքնուրույն պետք է ստեղծեին ամբողջական երաժշտական տեսահոլովակ։ Նպատակը երկարաժամկետ, բաց առաջադրանքում գործիքների օգտագործման տարբերությունները դիտարկելն էր։

Ինչպես է աշխատում ասպարեզը

Յուրաքանչյուր մոդել աշխատում էր ինքնավար ցիկլով՝ վեց գործիքով. plan, web_search, get_budget, generate_image, generate_video և run_command։ Բյուջեն ծախսում են միայն գեներացիայի երկու գործիքները, իսկ մոդելն ինքն է ընտրում FAL-ի կամ Replicate-ի մոդելն ու դրա պարամետրերը։ Կեղևը տրամադրում է ffmpeg և ffprobe՝ ձայնի վերլուծության, հոլովակների կտրման և վերջնական տեսանյութի հավաքման համար. բյուջեի սպառումից հետո վճարովի գեներացիան արգելափակվում է, բայց մոնտաժը շարունակվում է։ Բոլոր հաղորդագրությունները, գործիքների կանչերը, ծախսերն ու սխալները գրանցվել են, իսկ հարթակը բաց կոդով հրապարակված է GitHub-ում։

Բոլոր չորս աշխատանքները՝ երկու մոդել $25 և $100 բյուջեներով, ստացան նույնական նյութ՝ Bruno Mars-ի և Mark Ronson-ի «Uptown Funk»-ը, կարճ նկարագրություն և ժամանակային նշումներով երգի տեքստի արտագրություն։

Ինչ արժեցին աշխատանքները

Չորսն էլ ավարտվեցին ինքնուրույն՝ չհասնելով քայլերի կամ ժամանակի սահմանին, և յուրաքանչյուրը տվեց ամբողջական տեսանյութ՝ բնօրինակ երգով։ Տևողությունը տատանվում էր 38 րոպե 56 վայրկյանից (Claude Fable 5, $100) մինչև 49 րոպե 39 վայրկյան (GPT-5.6 Sol, նույն բյուջեն)։ Գեներացիայի ծախսը Claude-ի աշխատանքներում կազմել է $24.30 և $48.60, Sol-ի դեպքում՝ $23.18 և $36.57. Ավելացնելով մոդելի թոքենների արժեքը (Fable 5-ի համար՝ $10/$50, Sol-ի համար՝ $5/$30 միլիոն մուտքային/ելքային թոքենի դիմաց)՝ ընդհանուր գումարները հասնում են $41.29, $27.45, $39.82 և $73.65-ի։ Մեկ աշխատանքում ստեղծվել է 46-ից 80 առանձին հոլովակ։

Ազատ ընտրության պայմաններում մոդելների ուղիները տարբերվեցին. չորսից երեքը մաքուր text-to-video էին. միայն $25-անոց GPT-5.6 Sol-ը կառուցեց image-to-video շղթա՝ FLUX schnell-ով ստեղծելով կադրեր, ապա անիմացնելով դրանք։ $100-ի դեպքում Sol-ը մեկ աշխատանքում միավորեց երեք վիդեոմոդել՝ Wan 2.5, Veo 3.1 Lite և Hailuo 2.3 Standard, իսկ Fable 5-ը օգտագործեց Seedance 1.0 Pro-ն և տվեց միակ 1920x1080 արդյունքը։ Replicate-ին ոչ մի մոդել չդիպավ՝ չնայած երկու բանալիներն էլ հասանելի էին։

Ինչ դեռ չի ստացվում

TryAI-ը արդյունքը գնահատում է ուղղությամբ. ոչ մի տեսահոլովակ փայլուն չէր։ Կերպարների և սյուժեի հետևողականությունը բոլոր չորս աշխատանքներում խնդիր էր՝ հերոսները կադրերի միջև փոխվում էին, և ոչ մի տեսանյութ չպահպանեց ամբողջական պատմություն։ Մոդելները երգի բառերը կարդում են բառացիորեն. «make a dragon wanna retire» տողը էկրանին բերում է իսկական վիշապ։ Թեմպի համընկնումը նույնպես թույլ է՝ կտրվածքները ընկնում են ռիթմի վրա, բայց հոլովակի ներսի շարժումը հազվադեպ է համապատասխանում երգին։

Մոնտաժը հիմնականում մեկ անցում էր. հոլովակները ստեղծելուց հետո մոդելները միացնում և ձայնակցում էին դրանք, բայց հազվադեպ վերամշակում կամ էֆեկտներ ավելացնում, և ոչ ոք լրջորեն չէր ստուգում սեփական նյութը։ TryAI-ի դիտարկմամբ՝ $100-ը, հավանաբար, չափազանց մեծ բյուջե էր. ոչ մի մոդել չէր ուզում մոտենալ սահմանին։