Code2Video-AA compara 27 modelos en videos con código

El benchmark analizó 27 modelos en 114 briefs de diseño. En lugar de generar un archivo de video directamente, cada modelo escribe una composición HTML que pasa por un renderizador antes de la evaluación.

En este artículo vas a ver:

• Cómo evalúa Code2Video-AA los videos hechos con código
• Quién lidera el leaderboard actual
• Qué revela la tasa de renderizado
• Cómo interpretar los resultados sin generalizar

Cómo Code2Video-AA transforma briefs en videos

Code2Video-AA es la implementación de Artificial Analysis para el conjunto público de Code2Video Bench, creado por HeyGen. Cada brief describe una pieza corta de producto o marca, y el modelo produce una composición en HTML con HyperFrames.

El frame de arriba muestra una salida de ejemplo del conjunto. El flujo descrito por el equipo envía un brief y las instrucciones del benchmark al modelo en una llamada, sin herramientas; después, el código se renderiza en video para la evaluación.

Esa distinción cambia lo que se está midiendo. La prueba incluye la capacidad de seguir instrucciones visuales, escribir la composición y producir una salida que el renderizador pueda ejecutar. No mide solo la calidad de un video listo recibido como entrada.

El leaderboard actual de Code2Video-AA

En el leaderboard publicado el 26 de octubre, Claude Opus 5.5 lidera con 1536 puntos Elo y aparece adelante en los cinco ejes evaluados. La segunda posición es de Claude Sonnet 5.5, con GPT-6 Astra justo detrás.

La distancia entre el primero y el segundo lugar es de 93 puntos. Artificial Analysis informa que Opus 5.5 también lidera cada eje, con su mayor ventaja en craft y la menor en prompt intent, ambas comparadas con Sonnet 5.5.

El Elo es una medida relativa dentro de este benchmark, no un porcentaje de acierto ni una nota universal de calidad. La página ancla a GPT-5.5 en modo xhigh en 1000 puntos y define que valores mayores indican posición superior en esta comparación.

Para consultar la lista completa y el estado actual, revisa el leaderboard oficial de Code2Video-AA. Versiones, configuraciones y fecha del conjunto importan al comparar números publicados en momentos diferentes.

Qué revela la tasa de renderizado

De los 3078 resultados posibles, 3042 fueron renderizados, una tasa del 98,8%. Ocho de los 27 modelos lograron renderizar las 114 tareas completas.

GLM-5.3 en modo max tuvo la tasa más baja, con 110 renderizaciones en 114 tareas. Los tres modelos en la parte inferior renderizaron entre 111 y 113 videos, y el equipo atribuye la mayor parte de la diferencia de Elo a los juicios de las salidas que lograron renderizar.

Una falla de renderizado impide que el juez evalúe el video de esa tarea. Por eso, la tasa técnica de éxito y la evaluación visual deben leerse por separado: un código que no se ejecuta pierde la comparación, aunque la idea descrita en el brief parezca correcta.

Lo que el Code2Video-AA no demuestra

El conjunto público contiene 114 briefs y cubre videos cortos de producto y marca. Es útil para comparar modelos en esta tarea delimitada, pero no representa todo tipo de edición, duración, identidad visual o flujo de producción audiovisual.

La ejecución es una evaluación independiente de Artificial Analysis en hardware dedicado, pero sigue siendo una única implementación con un conjunto específico de instrucciones y renderizador. El resultado no garantiza el mismo orden en otra herramienta, con otro brief o con una revisión humana diferente.

Los briefs provienen de la parte pública del Code2Video Bench de HeyGen, licenciada bajo Creative Commons Attribution 4.0. La página de Artificial Analysis también deja ejemplos de videos generados por los modelos, lo que permite inspeccionar salidas concretas más allá de la puntuación agregada.

Cómo probar el Code2Video-AA hoy

Abre el leaderboard del Code2Video-AA y elige algunos briefs que tengan relación con el formato que quieres producir. Compara los videos del mismo brief y observa el resultado renderizado, no solo la posición del modelo.

Si vas a evaluar modelos en tu propio flujo, mantén iguales el prompt, el tamaño de salida y el renderizador. Registra qué modelo y configuración usaste, cuándo ejecutaste la prueba y si la composición se renderizó. Así, una falla técnica no se mezcla con una evaluación visual baja.

Usa criterios que correspondan a tu objetivo. Una pieza para divulgar un producto puede exigir adherencia a la marca; un tutorial corto puede exigir instrucciones claras; una animación con varios elementos puede depender de consistencia temporal. El ranking ayuda a elegir candidatos, pero la prueba con tu brief decide si el resultado sirve.

Ese cuidado vale para otros rankings también. En el CursorBench 4.0 con DeepSeek V4.1 Flash, el contexto es edición de código dentro de Cursor. Ya el Terminal-Bench 4.0 con Kimi K3.1 Pro mide tareas de agente en terminal. Cada marcador responde a una pregunta diferente.