編按：本文綜合整理自 TryAI 部落格原文 與 Hacker News 討論串（304 分、343 則留言），並加入 Siami 編輯部觀點與分析。
實驗設定：給兩個頂級 AI 同一首歌、一筆預算、一個 shell
TryAI 團隊這次做了一件很少人敢做的實驗：把 Claude Fable 5（Anthropic 前線模型）與 GPT-5.6 Sol（OpenAI 前線模型的代理導向變體）放進同一個 agentic harness，讓每個模型自己當 MV 導演。
兩個模型各跑兩次預算（$25 與 $100），總共四輪，每輪都拿到同一份輸入：
- 一首 Bruno Mars 與 Mark Ronson 的《Uptown Funk》
- 一段簡短的文字描述
- 一份帶時間戳的歌詞逐字稿
每個模型可用工具只有六個：plan（純思考、零成本）、web_search（查影片模型）、get_budget（查剩餘額度）、generate_image 與 generate_video（唯一花錢的）、run_command（本地 ffmpeg/ffprobe）。預算歸零後，模型仍可繼續剪輯、但不能再生成新素材。
全部 tool call、token 用量、生成失敗紀錄都公開：完整 transcripts 在 GitHub hershalb/music-video-arena。
四輪實驗的關鍵數字
四輪全部跑完，沒有一輪因為步數或時間上限被中斷，四支成品都是有效長度的完整 MV，原曲也正確 mux 進去。
| 模型 | 預算 | 總耗時 | 步數 | 圖片 | 影片 | 失敗次數 | 生成花費 | 輸出解析度 |
|---|---|---|---|---|---|---|---|---|
| Claude Fable 5 | $25 | 39m10s | 25 | 0 | 54 | 1 | $24.30 | 1280×720 |
| GPT-5.6 Sol | $25 | 42m52s | 38 | 61 | 46 | 10 | $23.18 | 1280×720 |
| GPT-5.6 Sol | $100 | 49m39s | 34 | 0 | 70 | 2 | $36.57 | 1280×720 |
| Claude Fable 5 | $100 | 38m56s | 28 | 0 | 80 | 0 | $48.60 | 1920×1080 |
「生成花費」是 FAL 計量收費（也就是預算上限本身），不含 LLM token 成本。
第一個值得停下來看的點：Fable 5 在 $100 預算下決定升級到 1080p，而且步數最少、沒有失敗 call；Sol 在 $100 預算反而失敗率上升。這跟一般直覺「錢給得多、模型就用得更兇」不同——Claude 在高預算下表現得更節制、更精準。
兩個模型選了完全不同的導演策略
如果只看「四個模型都拿到一樣的素材庫」，你會以為結果會很相似。事實上四輪走出了四條不一樣的路：
| Run | 圖片模型 | 影片模型 | 切入策略 |
|---|---|---|---|
| Fable 5 · $25 | 無 | Wan 2.5 t2v（$0.05/s） | 純文字生影片 |
| Sol · $25 | FLUX schnell（$0.003/張） | Wan 2.2-5b i2v（$0.10/s） | 先產關鍵幀、再圖生影片 |
| Sol · $100 | 無 | Wan 2.5 + Veo 3.1 Lite + Hailuo 2.3 Standard | 純文字生影片、混搭三個模型 |
| Fable 5 · $100 | 無 | Seedance 1.0 Pro t2v（1080p，~$0.12/s） | 純文字生影片、單一高階模型 |
Sol 的策略明顯更「多樣」：同一個 $100 預算裡混用了三個不同影片模型，這代表它願意嘗試不同美學風格。Fable 5 走的是相反路線——單押一個高階模型，然後衝解析度。
兩種策略都成功跑完，但成品差異不小。TryAI 原文也誠實寫：「None of the music videos were great, but watching how the models got there was pretty interesting」。
數據解讀：錢不是越多越好，模型的「導演直覺」才是天花板
這份報告最有參考價值的不是「誰花得多」，而是為什麼 Fable 5 的 $100 run 反而是四輪裡最便宜的 LLM token 開銷之一，但卻做出唯一的 1080p 成品：
- Fable 5 的 token 開銷佔總成本 30–40%（$16.99 / $25.05），Sol 整輪跑完 token 只要 $3–4。這代表 Claude 在「思考」上花的錢遠多於 GPT。
- Sol 在低預算下失敗率高達 10 次，主要都是 transient network 錯誤，但每一次 retry 都消耗步數；Fable 5 只有一次失敗、且沒有 retry storm。
- 單價 vs. 品質：Hailuo 2.3 Standard 每支 6 秒影片收 $0.28、Seedance 1.0 Pro 1080p 5 秒收約 $0.62。Sol 顯然偏好「多拍幾支不同模型組合」，Fable 5 偏好「少拍、單支高畫質」。
這對實際做 AI 影片的人來說，是非常具體的成本曲線參考：
- 若你想衝畫質、FHD 素材庫 → Fable 5 路線（單一高階模型 + 多步驟 prompt 迭代）
- 若你想衝變化、ab test 多模型 → Sol 路線（混合便宜模型、接受高失敗率）
🚨 為什麼這件事重要：AI 影片還沒跨過「導演直覺」那道坎
這場實驗最值得產業注意的是：兩個前線模型都無法做出「有故事感的 MV」。TryAI 原文點出三個一致缺陷：
- 角色與劇情一致性崩壞——四輪成品的「主角」每個鏡頭都長不一樣，沒有一支撐得起完整的敘事線。
- 歌詞被字面化詮釋——「Make a dragon wanna retire, man」就真的畫一條龍在畫面上，前幾秒還有趣，幾分鐘後就變尷尬。
- 節奏對位失敗——剪輯點都對到拍子（每個模型都跑了 ffmpeg 的 beat detection），但鏡頭內的動作（舞蹈、運鏡）幾乎跟不上歌曲 tempo。
這意味著 2026 年中的 frontier AI 在「短 prompt → 短素材」已經很強，但在「長時序藝術決策」這層仍然是人類導演的天下。TryAI 的結論也很克制：「None of the music videos were great」——他們沒有為了行銷而美化結論，這也是這份報告在 HN 拿到 304 分的真實原因。
對 Siami 編輯部來說，這份實驗的延伸訊號是：現在 AI 影片適合當素材、不適合當成片。如果你要做一支正式的 MV，AI 目前只能貢獻片段（背景、過場、風格鏡頭），結構性決策還是要人類。
數據質疑：原文還沒回答的三個問題
這份報告很扎實，但 Siami 編輯部讀完之後覺得有幾個關鍵變因沒控制到，可能影響結論：
- 沒有 baseline：沒有「人類導演用同一組素材」或「傳統剪輯流程」的對照組，所以「兩支 MV 都不好看」很難歸因到 AI 還是 prompt 設計。
- prompt 工程差距：四個 run 拿到的
plan工具是「純思考、無成本」，但沒說明是否有 system prompt 引導「先規劃再生成」。如果是 raw 模型自主規劃，那這個失敗率其實很漂亮。 - 成本基準不對等：原報告把 token 成本另外列，但在 $25 預算組，Fable 5 的 $16.99 token 成本已經逼近 $25 生成成本，這代表「預算壓力測試」其實沒真正壓到 Claude，反而壓到 Sol。
如果 TryAI 出下一輪，Siami 編輯部會建議他們補上：同一模型、不同 prompt engineering 程度的對照組，以及**「AI + 人類 post-editing」**的混合流程對照。
你也可以自己跑這個實驗
TryAI 把整套 harness 開源在 github.com/hershalb/music-video-arena，換自己的歌、預算、模型就能重現。任何人都能拿 frontier model 來跑自己的 arena 測試，作者也歡迎 PR 與 issue。
如果你想看四支成品的差異，原文嵌了完整影片連結（Fable 5 $25 / Sol $25 / Fable 5 $100 / Sol $100 各一支），可以直接到 TryAI 原文 看成品。
社群反應：HN 上吵什麼？
這篇文章在 Hacker News 上 16 小時衝到 304 分、343 則留言，是近期 AI agent 類文章的前段班。五則被推最多的留言大致落在三個立場：
- 「技術驚人但沒有藝術價值」派：@hbn 直接說這是「grey goo of the average」，AI 影片還取代不了導演。
- 「AI 正在摧毀藝術家經濟」派：@qbit42 點出更深層的社會問題——買單的是美學、不是藝術價值，AI 會壓垮中產藝術家。
- 「工具選擇與提示詞才是瓶頸」派：@michelb 與 @maerF0x0 都認為，成品差是因為「沒用對的影片模型」與「prompt 沒有導演判斷」，跟模型本身強弱無關。
完整留言翻譯見上方 topComments 區塊。
網友熱門留言 (5)