TryAI-მ Claude Fable 5 და GPT-5.6 Sol $100-იან მუსიკალური ვიდეოს არენაზე დააპირისპირა

TryAI-მ გამოაქვეყნა შეჯიბრება, რომელშიც ორმა მოწინავე მოდელმა — Claude Fable 5-მა და GPT-5.6 Sol-მა — ერთი და იგივე სიმღერა, მკაცრი დოლარის ბიუჯეტი და ხელსაწყოების ნაკრები მიიღო და სრული მუსიკალური ვიდეო ადამიანის ჩარევის გარეშე უნდა შეექმნა. მიზანი იყო დაკვირვება, თუ როგორ განსხვავდება ხელსაწყოების გამოყენება მოდელებს შორის გრძელვადიან, ღია დავალებაში.

როგორ მუშაობს არენა

თითოეული მოდელი ავტონომიურ ციკლში ექვს ხელსაწყოს იყენებდა: plan, web_search, get_budget, generate_image, generate_video და run_command. ბიუჯეტს მხოლოდ გენერაციის ორი ხელსაწყო ხარჯავს, მოდელი კი თავად ირჩევს FAL-ის ან Replicate-ის მოდელს და პარამეტრებს. გარსი მას ffmpeg-სა და ffprobe-ს აძლევს აუდიოს ანალიზისთვის, კლიპების მონტაჟისა და საბოლოო ვიდეოს აწყობისთვის; ბიუჯეტის ამოწურვის შემდეგ ფასიანი გენერაცია იბლოკება, მონტაჟი კი გრძელდება. ყველა შეტყობინება, ხელსაწყოს გამოძახება, ხარჯი და შეცდომა დალოგილია, ჰარნესი კი GitHub-ზე ღია კოდით არის გამოქვეყნებული.

ოთხივე გაშვებამ — ორი მოდელი $25-იან და $100-იან ბიუჯეტზე — იდენტური მონაცემები მიიღო: Bruno Mars-ისა და Mark Ronson-ის „Uptown Funk“, მოკლე ტექსტური აღწერა და დროში მონიშნული ლირიკის ტრანსკრიპტი.

რა დაჯდა გაშვებები

ოთხივე გაშვება დამოუკიდებლად დასრულდა, ნაბიჯების ან დროის ლიმიტს არ მიუღწევია და თითოეულმა სრულმეტრაჟიანი ვიდეო შექმნა ორიგინალური სიმღერით. დრო 38 წუთი 56 წამიდან (Claude Fable 5, $100) 49 წუთ 39 წამამდე (GPT-5.6 Sol, იგივე ბიუჯეტი) გაიზარდა. გენერაციის ხარჯი Claude-ის გაშვებებში $24.30 და $48.60 იყო, Sol-ის შემთხვევაში — $23.18 და $36.57; მოდელის ტოკენების ფასების დამატებით (Fable 5 — $10/$50, Sol — $5/$30 მილიონ შემავალ/გამომავალ ტოკენზე) ჯამური ღირებულება $41.29, $27.45, $39.82 და $73.65 გამოდის. გაშვებები 46-დან 80-მდე ცალკეულ კლიპს აწარმოებდნენ.

თავისუფალი არჩევანის პირობებში მოდელების გზები გაიყო. ოთხიდან სამი გაშვება წმინდა text-to-video იყო; მხოლოდ GPT-5.6 Sol-მა $25-ზე ააწყო image-to-video მილში — FLUX schnell-ით სტატიკური კადრები, შემდეგ მათი ანიმაცია. $100-ზე Sol-მა ერთ გაშვებაში სამი ვიდეომოდელი შეაერთა — Wan 2.5, Veo 3.1 Lite და Hailuo 2.3 Standard, Fable 5-მა კი Seedance 1.0 Pro გამოიყენა და ერთადერთი 1920x1080 ვიდეო შექმნა. Replicate-ს არც ერთი მოდელი არ შეხებია, მიუხედავად იმისა, რომ ორივე გასაღები ხელმისაწვდომი იყო.

რა ჯერ კიდევ არ გამოდის

TryAI შედეგებს პირდაპირ აფასებს: ვერც ერთი ვიდეო არ იყო შესანიშნავი. პერსონაჟებისა და სიუჟეტის თანმიმდევრულობა ოთხივე გაშვებაში პრობლემა იყო — მთავარი გმირები კადრებს შორის იცვლებოდნენ, თანმიმდევრული ისტორია კი არც ერთმა ვიდეომ ვერ შეინარჩუნა. მოდელები ლირიკას სიტყვასიტყვით კითხულობენ: „make a dragon wanna retire“ ეკრანზე ნამდვილ დრაკონს წარმოშობს. ტემპის დამთხვევაც სუსტია — კადრები ბიტზე ჯდება, თუმცა კლიპის შიგნით მოძრაობა სიმღერის ტემპს იშვიათად ერგება.

მონტაჟი ძირითადად ერთი გავლით შემოიფარგლა: მოდელები კლიპებს აერთებდნენ და ხმას უმატებდნენ, მაგრამ იშვიათად ამუშავებდნენ ხელახლა ან იყენებდნენ ეფექტებს, საკუთარ კადრებს კი სერიოზულად არავინ ამოწმებდა. TryAI-ის დაკვირვებით, $100 სავარაუდოდ ზედმეტად დიდი ბიუჯეტი იყო — არც ერთ მოდელს არ სურდა ლიმიტთან მიახლოება.