Der Beitrag

Können Sprachmodelle bessere Videos erzeugen als spezialisierte KI-Videogeneratoren? Genau diese Frage hat die unabhängige Testplattform Artificial Analysis am 20. November 2026 mit einem direkten Vergleichstest auf die Tagesordnung gesetzt. Statt Pixel Bild für Bild aus einem Diffusionsmodell zu generieren, lassen Entwickler derzeit Flaggschiff-Sprachmodelle wie Claude Fable 5.2 und GPT-6.2 Astra komplette Kurzfilme, 3D-Szenen und sogar den passenden Ton als Programmcode schreiben.

In den vergangenen Tagen hat sich daraus auf X eine ungewöhnlich dichte Welle von Beispielen entwickelt. Was im Oktober noch wie ein frühes Gerücht über Code-Synthese für Videos wirkte, lässt sich nun an über einem Dutzend öffentlicher Filme, Quellcodes und Vergleichstests überprüfen - samt konkreter Zahlen zu Rechenzeit, Kosten und den noch sichtbaren Grenzen.

Artificial Analysis stellt GPT-6.2 Astra direkt gegen Seedance 2.5

Für den Direktvergleich ließ Artificial Analysis OpenAIs GPT-6.2 Astra, laut der Plattform die aktuelle Nummer eins im hauseigenen 3D-Benchmark AA-3D, gegen ByteDances Videomodell Dreamina Seedance 2.5 antreten. Das Sprachmodell programmierte drei Szenen in der Browser-3D-Bibliothek Three.js: das Sydney Opera House, eine in Einzelteile zerlegte mechanische Uhr und einen Drachenangriff auf eine mittelalterliche Stadt.

Anschließend flog eine geskriptete Kamera im Browser jeweils 15 Sekunden lang in Full-HD-Auflösung (1080p) und mit 24 Bildern pro Sekunde durch die berechneten 3D-Welten. Seedance 2.5 erhielt dieselbe Kamerafahrt als Textbeschreibung mit Referenzbildern. Wer die erzeugten 3D-Szenen selbst prüfen möchte, kann sie in der AA-3D-Arena von Artificial Analysis interaktiv drehen und bewerten.

Fotorealismus ohne 3D-Software: C++, eigener Path Tracer und 900.000 Teppichfasern

Wie weit reine Code-Generierung ohne jede 3D-Produktionssoftware reicht, zeigt das Open-Source-Projekt robovac-pov vom 17. November. Laut dem zugehörigen GitHub-Repository erzeugte Claude Fable 5.2 ein 53 Sekunden langes Video aus der Perspektive eines Saugroboters im Wohnzimmer - ohne KI-Videomodell, ohne Blender, ohne externe 3D-Modelle, Texturen oder Tonaufnahmen.

Stattdessen habe das Sprachmodell rund 2.400 Zeilen Code in C++, Apples Grafik-Schnittstelle Metal und Python geschrieben, inklusive eigenem GPU-Path-Tracer (einem Verfahren, das Lichtstrahlen physikalisch berechnet), simulierter Kamera mit Fokus, Bewegungsunschärfe und Filmkorn sowie synthetisiertem Ton. Allein der Teppich bestehe laut dem Entwickler aus rund 900.000 einzelnen Fasern; das Rendern auf einem Mac habe rund eine Stunde gedauert.

Inspiriert war dieses Experiment von einer Serie des Projekts BubbleBrain, dessen Quellcode ebenfalls auf GitHub liegt. Bereits am 16. November hatte der Macher eine fast zweiminütige Egoperspektive einer Katze in einem botanischen Garten veröffentlicht - nach seinen Angaben komplett über Claude Fable 5.2 als Code erzeugt, ohne Programme wie Blender oder Cinema 4D.

Zwei Tage später folgte eine Makro-Naturdokumentation über eine Biene beim Nektarsammeln. Laut dem Urheber habe Fable 5.2 rund sechs Stunden an dem Film gearbeitet und für die englische Sprecherstimme zusätzlich den Sprachsynthese-Dienst Edge TTS eingebunden.

Ein dritter Kurzfilm vom 19. November zeigt eine verschneite Winterlandschaft - wieder ohne Blender und mit Edge TTS für den Kommentar. Bemerkenswert ist dabei die nüchterne Selbsteinschätzung des Entwicklers: Das Ergebnis sei noch weit von Perfektion entfernt, einzelne Objekte sähen nicht ganz richtig aus und Bildrauschen bleibe sichtbar. Dennoch sehe er darin den Beginn einer völlig neuen Art, Filme zu machen.

Wenn Sprachmodelle Blender, Unreal Engine und Three.js steuern

Neben reinen C++-Renderern nutzen Entwickler Sprachmodelle zunehmend als autonome Regisseure für bestehende 3D-Werkzeuge. Am 19. November veröffentlichte ein Entwickler einen 25-sekündigen Film aus Sicht eines Eichhörnchens im Herbstwald. Laut seiner Beschreibung habe Fable 5.2 Python-Skripte geschrieben, die die 3D-Software Blender Cycles steuern, während der Ton mit der Rechenbibliothek Numpy synthetisiert wurde.

Ganz ohne externe Daten kam dieses Projekt allerdings nicht aus: Wie der Ersteller transparent angibt, habe das Skript frei lizenzierte CC0-Fotoscans (lizenzfreie 3D-Aufnahmen realer Oberflächen und Objekte) von Poly Haven für Laub, Rinde, Äste und Waldlicht nachgeladen. Die gesamte Produktion habe 4 Stunden und 15 Minuten gedauert - davon drei Stunden reines Rendering - und umgerechnet 34,76 Dollar an API-Kosten verursacht.

Dass sich derselbe Ansatz auch für Spielumgebungen eignet, deutete bereits am 11. November ein Beispiel mit Blender und der Spiele-Engine Unreal an: Ein Entwickler beauftragte Fable 5.2 über Nacht mit dem Bau einer detaillierten Waldumgebung samt dichtem Farn und einfallenden Sonnenstrahlen.

Noch radikaler fällt der Verzicht auf externe Dateien im Browser aus. Am 13. November erschien Crimson Loong, ein 90-sekündiger Drachenfilm in einer einzigen HTML-Datei auf Basis von Three.js. Laut der GitHub-Beschreibung erzeugt der von Fable 5.2 geschriebene Code jedes 3D-Gitter, jede Oberflächentextur und jede Musiknote live beim Laden im Browser - ganz ohne externe Bild-, Modell- oder Tondateien.

Derselbe Entwickler hatte die Debatte bereits am 2. November mit einem 2D-Anime-Kurzfilm im Stil eines japanischen Kinofilms angeheizt, der auf X 2,4 Millionen Aufrufe erreichte. Damals bezeichnete er das getestete Modell noch als „Fable 5.5“; das ursprünglich verlinkte GitHub-Repository ist inzwischen nicht mehr abrufbar, das Video selbst bleibt aber ein früher Referenzpunkt der aktuellen Welle.

Interaktive Unterwasserwelten, Code-Standbilder und Vektor-Animationen

Besonders deutlich wird der Unterschied zu klassischen Videodateien bei der Datenmenge und Interaktivität. Das am 15. November vorgestellte Projekt Abyssal Garden packt eine komplette, frei durchschwimmbare Unterwasserwelt mit Seetangwäldern, Sonnenstrahlen, Schiffswrack und Mantarochen in eine einzige HTML-Datei von 96 bis 97 Kilobyte (die Angaben zwischen X-Post und README weichen um ein Kilobyte ab). Über die moderne Browser-Grafikschnittstelle WebGPU lässt sich die mit Fable 5.2 gebaute Szene direkt in der Live-Demo im Browser erkunden.

Auch Google mischt in dieser Disziplin mit: Am 19. November demonstrierte ein Entwickler mit Gemini 4 Neon einen bemerkenswert autonomen Agenten-Ablauf. Ausgehend von einem einzigen statischen Bild habe das Modell eigenständig das Tiefenschätzungsmodell Depth Anything V2 Large von Hugging Face heruntergeladen, lokal auf einem Mac eine Tiefenkarte berechnet, das Bild in Ebenen und Masken zerlegt und daraus in Three.js eine interaktive 60-fps-Szene eines nächtlichen japanischen Ramen-Stands gebaut - samt Live-Regen, Pfützen, beweglichen Vorhängen, funkelndem Neon und synthetisiertem Regenton.

Dass sich die Code-Fähigkeiten nicht auf Bewegtbild beschränken, zeigen zwei weitere Beispiele von GPT-6.2 Astra. Am 19. November sorgte ein vollständig in einer einzelnen HTML-Datei berechnetes Bergsee-Landschaftsbild für Aufsehen: Ohne Bildgenerator sei jeder einzelne Pixel über Mathematik, Rauschfunktionen und Reflexionsformeln entstanden - laut dem Verbreiter auf X allerdings deutlich langsamer und teurer als mit einem klassischen Bildgenerator.

Bereits am 17. November hatte zudem eine animierte Vektorgrafik (SVG - ein Format, das Formen über mathematische Pfade statt Pixel beschreibt) eines Pfaus gezeigt, wie präzise GPT-6.2 Astra auch feine 2D-Bewegungen als Code abbilden kann. Dieses Beispiel hatten wir bereits in unserer Einordnung zur 3D-Leistung von GPT-6.2 Astra aufgegriffen.

Fable 5.2 gegen GPT-6.2 Astra: Was Zeit und Token-Kosten wirklich ausmachen

Inzwischen lassen Entwickler die beiden Spitzenmodelle gezielt mit identischen Film-Prompts gegeneinander antreten. Am 19. November stellte ein Nutzer beide Systeme vor dieselbe Aufgabe: eine Seeschlacht im Zweiten Weltkrieg bei Sonnenuntergang, komplett aus Code erzeugt und als Full-HD-Video ausgegeben.

Die veröffentlichten Verbrauchsdaten zeigen den erheblichen Aufwand hinter den Kulissen: GPT-6.2 Astra habe 109 Millionen Token verarbeitet, rund 68 Dollar an API-Kosten verursacht und 3 Stunden 49 Minuten benötigt. Claude Fable 5.2 sei auf 168 Millionen Token, rund 111 Dollar und 6 Stunden 19 Minuten gekommen.

Einen weiteren Direktvergleich in Three.js hatten wir bereits am 18. November in unserem Bericht zu GPT-6.2 Astra erwähnt: Nach jeweils 5 Stunden und 34 Minuten Rechenzeit lieferte Fable 5.2 eine 242 Kilobyte kleine Szene, während GPT-6.2 Astra im ersten Durchlauf 32,9 Megabyte (im Video-Overlay als 32,5 Megabyte beziffert) erzeugte. In zwei nachgereichten Folgerunden desselben Entwicklers mit spezialisiertem 3D-Skill schrumpften Dateigröße und Kosten bei Astra deutlich - auf 11,1 Megabyte für 39,68 Dollar beziehungsweise 187 Kilobyte für 67 Dollar, gegenüber rund 159 Dollar bei Fable 5.2.

Gegenposition: Warum Code die Videomodelle nicht einfach ablöst

Zwei völlig verschiedene Werkzeuge

Stärke von Code-Videos: Jedes Objekt, jede Lichtquelle und jede Kamerafahrt ist exakt steuerbar, reproduzierbar und nachträglich editierbar. Die Szene bleibt physikalisch konsistent und lässt sich interaktiv im Browser nutzen.

Stärke von Videomodellen: Systeme wie Seedance 2.5 liefern in Minuten statt Stunden organische Szenen, menschliche Gesichter, Mimik und Stoffe, die per Programmcode kaum realistisch nachzubauen sind.

Trotz der Euphorie auf X ersetzen Sprachmodelle klassische KI-Videogeneratoren auf absehbare Zeit nicht. Die gezeigten Beispiele sind oft das Ergebnis stundenlanger Agentenläufe mit dreistelligen API-Rechnungen - während ein Videomodell für Sekundenbruchteile oder wenige Cent pro Clip arbeitet. Hinzu kommt: Viele der beeindruckendsten Code-Videos zeigen Natur, Architektur, Maschinen, Wasser oder stilisierte Fantasy, aber keine sprechenden Menschen in Nahaufnahme.

Zudem verschwimmt in sozialen Netzwerken leicht der Begriff „reiner Code“. Wenn ein Python-Skript fertige Fotoscans von Poly Haven herunterlädt oder eine externe Sprachsynthese wie Edge TTS einbindet, ist das technisch sauber - aber kein rein aus Mathematik erzeugtes Werk mehr. Wie schnell dieser Eindruck täuschen kann, zeigte am 20. November ein virales Anime-Zugvideo mit GPT-6.2 Astra: Erst bei genauer Prüfung der Sitzung fiel dem Entwickler auf, dass der Agent Zugriff auf den Bildgenerator gpt-image hatte. Er generierte Figur, Zug und Radfahrer als Einzelbilder und nutzte anschließend JavaScript, um die Ebenen bei 60 Bildern pro Sekunde über 2.310 Frames hinweg filmisch zu animieren.

Genau darin liegt die eigentliche Verschiebung: Nicht in Dogmen über „100 Prozent Code“, sondern in der neuen Kombination aus Code-Steuerung und KI-Werkzeugen. Wo Unternehmen früher für Produktanimationen, Architektur-Rundflüge, Erklärgrafiken oder interaktive Web-Demos eine klassische 3D-Pipeline brauchten, wird das programmierende Sprachmodell erstmals zu einer ernsthaften Alternative.

🎯 Was das für die Praxis bedeutet

1. Anwendungsfälle sauber trennen: Für schnelle Social-Clips, emotionale Szenen mit Menschen und klassische Werbung bleiben Videomodelle wie Seedance 2.5 klar schneller und günstiger. Code-gestützte Sprachmodelle spielen ihre Stärke bei Produktvisualisierungen, technischen Erkläranimationen, Architektur und interaktiven Browser-Demos aus.

2. Rechenkosten vorab deckeln: Mehrschrittige 3D- und Film-Agenten verbrauchen schnell über 100 Millionen Token und 35 bis 160 Dollar pro Durchlauf. Teams sollten vor Produktionsläufen feste Kosten- und Zeitlimits setzen und zuerst mit kürzeren Testsequenzen arbeiten.

3. Interaktive Dateien statt starrer Clips nutzen: Wer eine Szene als Three.js- oder WebGPU-Code erzeugen lässt, erhält nicht nur ein Video, sondern eine frei drehbare, winzige Webdatei. Änderungen an Kamera, Farbe oder Text lassen sich direkt im Code anpassen, ohne das gesamte Video neu zu würfeln.

Dieser Artikel enthält eingebettete Inhalte externer Anbieter, etwa Videos oder Social-Media-Beiträge. kiwoche.com ordnet diese Inhalte redaktionell ein, übernimmt sie jedoch nicht als eigene Inhalte. Die Rechte daran verbleiben bei den jeweiligen Rechteinhabern; für die externen Inhalte sind die jeweiligen Anbieter verantwortlich. Eingebettete Inhalte können vollständig oder teilweise mit KI erstellt oder bearbeitet worden sein.

Quellen

Teilen
Software ist tot von Markus M. Kirchmair

Anzeige · Buch und Angebot von Markus Kirchmair

Noch ein Tool. Oder endlich weniger Arbeit?

Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.