GPT 下一任模型写视频能赶上 Opus 5.5 吗?239 项任务数据对比与 7 步验证法

GPT 下一任模型写视频能赶上 Opus 5.5 吗?239 项任务数据对比与 7 步验证法

摘要:在 VibeVideoBench 的代码驱动视频任务中,GPT-6 Astra 已与 Claude Opus 5.5 处于同一水平,综合质量略高、成本更低;Opus 5.5 交付更稳定;OpenAI 下一代通用模型尚未发布,其视频能力需要发布后实测。

结论先行:截至 2026 年 11 月 15 日,在“Agent 编写代码、调用渲染工具、交付完整 MP4”这条路线上,GPT-6 Astra 与 Claude Opus 5.5 是 VibeVideoBench 中最接近的两个系统。Astra 综合质量得分 4.109,Opus 5.5 为 4.074;人工盲测 Elo 分别为 1242 和 1203,统计上无法区分。Opus 5.5 交付全部 239 项任务,严格任务成功率 76.3%,高于 Astra 的 74.5%;Astra 平均每项任务 API 成本 8.19 美元,约为 Opus 5.5 的一半。OpenAI 已公开两项内部模型显著强于 Astra 的证据,但下一代通用 GPT 的名称、发布时间和视频专项成绩均未公布。所以对标题问题的回答是:现款 GPT 已经赶上,下一代能否拉开差距取决于发布后的实测。

内容预告:下文先界定评测范围,再拆解 VibeVideoBench 的总体成绩、分类成绩、人工偏好和成本数据,说明两者各自的优势来自哪里;随后梳理 OpenAI 内部模型的公开信号与下一代模型的发布状态,分析视频 Agent 真正的瓶颈;最后给出一套在新模型发布后可直接复用的对比测试方法,帮助你判断它是否值得替换现有方案。

next-gpt-video-creation-vs-claude-opus-5-5-image-0

To Know:阅读本文前需要了解的术语

术语 解释
Code-driven Video Generation 代码驱动视频生成:AI 编写动画和渲染程序,最终输出 MP4
Native Video Generation 原生视频生成:模型直接根据文字、图片生成视频画面,代表产品有 Sora、Veo
VibeVideoBench 专门测试 AI Agent 自主制作完整视频的评测基准,2026 年 10 月 26 日发布
Harness 模型运行环境,提供代码执行、文件访问、工具调用等能力,如 Codex CLI、Claude Code
L1 / L2 / L3 评测的三层:程序交付检查、任务要求逐条检查、多模态评审的视频质量评分
严格任务成功率 视频成功交付且满足全部约束的任务比例,比单纯“交付率”更严格
Bradley–Terry Elo 根据人工两两比较结果计算模型相对偏好的评分方法
Multi-agent Orchestration 多智能体编排:让多个 Agent 分工协作,再整合结果
Render Pipeline 视频渲染流水线:画面生成、音频处理、编码合成到最终输出
Remotion / FFmpeg 前者用 React 代码写视频动画,后者负责音视频编码与合成
ffprobe FFmpeg 附带的检查工具,用来读取视频的分辨率、帧率、时长、音轨等信息
Cache Hit 缓存命中率:重复上下文从缓存读取的比例,直接影响长任务的 API 成本
BenchCAD 2.0 测试 AI 三维零件重建、机械装配设计和 PCB 连接识别能力的工程评测

1 先给结论:GPT 已经进入 Opus 5.5 的视频创作竞争区间

1.1 本文比较的是哪一种“写视频”

AI 视频创作目前有两条路线。原生视频生成由模型直接输出连续画面,擅长人物、物理运动和镜头语言;代码驱动视频生成则让模型担任导演兼程序员:理解需求、写脚本和分镜、用 Remotion、Three.js、Cairo 或 Blender 编写动画、用 TTS 生成旁白、再用 FFmpeg 合成并检查成片。

本文讨论的是第二条路线,也就是通过 Codex CLI、Claude Code 这类 Agent 交付完整 MP4 和可编辑工程的能力。这条路线适合数据可视化、产品介绍、知识科普、动态信息图和品牌宣传片,也是 GPT 与 Claude 目前有独立基准可比的领域。

OpenAI 自己的原生视频产品线已经发生变化:Sora 产品于 2026 年 4 月 26 日停止服务,Sora 2 模型及 Videos API 于 9 月 24 日关停,官方弃用公告注明没有一对一替代 API。11 月 4 日发布的 GPT-Image-2.6 支持 2—16 帧的 GIF 动画输出,适合表情包、循环动作和分镜预览,与完整 MP4 制作属于不同工作流。因此,GPT 系列“写视频”的能力,当下主要体现在代码驱动路线上。

1.2 一句话回答标题问题

GPT-6 Astra 在 VibeVideoBench 中与 Opus 5.5 极为接近,综合评分略高,交付稳定性略低。OpenAI 下一代模型具备继续提升的技术信号,但公开的视频专项成绩仍以 Astra 为基准。


2 239 项真实视频任务:GPT-6 Astra 与 Opus 5.5 谁更强?

2.1 VibeVideoBench 如何测 GPT 与 Opus 5.5 的视频能力

VibeVideoBench 构建了 239 项真实视频制作任务,覆盖 12 类内容,共测试 9 个 Agent 系统、2,151 次运行。每项任务要求 AI 在沙箱中自主完成,交付可播放 MP4、可重新生成视频的工程项目以及制作说明。每项任务限时 60 分钟,所有系统使用各自原生开发环境、最高可用推理强度,中途不追加人工指令。

GPT-6 Astra 运行在 Codex CLI 中,Claude Opus 5.5 运行在 Claude Code 中。其余参测系统包括 Claude Sonnet 5.5、Gemini 4 Argon、DeepSeek V4.1 Flash、Kimi K3、GLM-5.3 Flash、GPT-5.6 Sol 和 Gemini 3.8 Flash。评分分三层:L1 检查 MP4 是否交付及分辨率、帧率、时长、音轨等规格;L2 逐条验证约 1.3 万项任务要求;L3 由三个多模态评审系统评估画质、美感、内容逻辑、运动节奏和音频同步。

next-gpt-video-creation-vs-claude-opus-5-5-image-1

2.2 GPT-6 Astra 与 Opus 5.5 总体成绩对比

指标 GPT-6 Astra Claude Opus 5.5 领先
成功交付视频 238/239 239/239 Opus
视频交付率 99.6% 100% Opus
规格符合率 93.7% 99.6% Opus
任务要求通过率 97.1% 97.3% Opus
视频质量 4.08 3.99 Astra
视觉美感 4.30 4.19 Astra
内容逻辑 4.20 4.18 Astra
运动与节奏 3.95 3.95 平
音频质量与同步 4.10 4.07 Astra
综合质量得分 4.109 4.074 Astra
严格任务成功率 74.5% 76.3% Opus
人类偏好 Elo 1242 1203 统计上无法区分

数据来自三评审团平均结果,评分范围 1—5 分。两个系统均领先其他参测系统。

这张表呈现出清晰的分工:Astra 在“做出来的视频好不好看”上略占优势,综合质量领先 0.035 分,视觉美感领先 0.11 分;Opus 5.5 在“能不能按规格交出来”上更可靠,规格符合率高出 5.9 个百分点,严格任务成功率高出 1.8 个百分点。0.035 分的差距很小,结合 Elo 置信区间来看,两者处于同一档位。

2.3 不同视频类型中 GPT 与 Opus 5.5 的优势分布

视频类别 Astra Opus 5.5 领先者
品牌与营销 4.18 4.18 平局
产品与功能展示 4.20 4.24 Opus
音乐与声音驱动 3.83 3.92 Opus
论文解读 4.03 4.07 Opus
概念与流程解释 4.19 4.15 Astra
数据与事实故事 4.14 4.01 Astra
视觉艺术 3.94 3.91 Astra
游戏与体育 4.15 4.12 Astra
活动与个人表达 4.03 3.93 Astra
故事与视觉喜剧 4.00 3.88 Astra
建造与制作流程 3.97 3.94 Astra
课堂教学 4.47 4.45 Astra

数据来自论文 Appendix E.4,计入未交付视频的零分。

Astra 在 12 类中领先 8 类,差距最大的是数据与事实故事(0.13)和故事与视觉喜剧(0.12);Opus 5.5 在产品展示、音乐驱动和论文解读中领先,音乐驱动的差距为 0.09。音乐类任务对音画对齐要求高,产品展示对规格和细节要求高,这与 Opus 在规格符合率上的优势方向一致。大部分类别的差距在 0.05 分以内,模型选择已出现任务类型差异,但单类差距仍需结合重复测试判断。

2.4 Opus 5.5 为什么仍然有竞争力

人工盲测采用 Bradley–Terry 模型计算 Elo。Astra 为 1242(95% 置信区间 1134–1387),Opus 为 1203(1111–1327),两者排名置信区间都是 1–3,论文给出的比较概率 P=0.69,结论是统计上无法区分。需要注意,人工测试只评价已经交付的视频,无法衡量按时交付能力,而交付恰好是 Opus 的强项。

自检行为解释了这一点。Opus 每次运行平均查看渲染图片 7.9 次、使用 ffprobe 3.9 次;Astra 分别为 3.4 次和 2.1 次。Opus 更频繁地检查自己的输出、发现问题再修复,换来了 100% 的交付率和 99.6% 的规格符合率。Anthropic 将 Opus 5.5 定位为长时间运行的 Agentic Coding 模型,社区也有用户自述用它约 30 分钟完成 iOS 应用宣传片、自动制作 1080×1920 竖屏新闻短视频并附带 SRT 字幕,这些属于个人案例,可作为工作流完整性的旁证。

next-gpt-video-creation-vs-claude-opus-5-5-image-2

2.5 视频任务成本:GPT-6 Astra 单价更高,单任务更便宜

指标 GPT-6 Astra Claude Opus 5.5
标准输入价(美元/百万 Token) 10 4
标准输出价(美元/百万 Token) 50 20
平均任务成本 $8.19 $15.38
中位任务成本 $7.88 $10.19
P90 任务成本 $11.88 $31.22
平均输出 Token 61K 130.7K
每项任务 API 调用 46 51
Cache Hit 97% 65%

Astra 的标准单价是 Opus 5.5 的 2.5 倍,但平均任务成本低约 46.7%。原因有两个:Astra 输出 Token 少约 53.3%;Astra 缓存命中率达到 97%,而 Opus 约 76% 的任务成本来自 Cache Write。P90 成本差距更明显,Opus 在复杂任务上的成本波动更大。论文也指出,单纯增加 Token 消耗并没有带来对应的质量提升。

这组成本是按公开 API 价格折算的等价成本,不含完整商业视频的人工和素材费用。Opus 5.5 官方 Batch API 提供输入输出五折,离线批量制作时成本结构会变化。

💰 成本优化:视频 Agent 的单任务成本受缓存命中和输出长度影响很大,只看单价容易误判。建议在 API易 apiyi.com 上用同一任务分别跑两家模型,按“每条成片的实际消耗”来核算,而不是按标价比较。


3 OpenAI 下一代 GPT 的能力提升信号

3.1 Navier–Stokes 研究:内部模型显著强于 GPT-6 Astra

2026 年 9 月 8 日,OpenAI 发布 Navier–Stokes 千禧年大奖问题研究成果。官方文章写明,所用内部模型能力显著强于 GPT-6 Astra,采用大规模强化学习训练,公告发布时训练仍在继续。

这项研究的执行规模是多智能体能力的直接展示:约 10,000 个 Agent 同时参与,研究耗时约 88 小时,产生 270 万条消息、约 1,300 亿输出 Token;Agent 分组研究不同版本的问题,小组之间交换信息,由 Codex 整合中间成果,系统持续把资源集中到更有希望的路线上。最后的 Lean 形式化验证额外用时 17 小时,使用的是 GPT-6 Astra。

对视频创作而言,这里最相关的是长时程任务调度和多 Agent 协作,而非数学能力本身。一条复杂视频同样需要并行处理脚本、动画、音频,再整合、检查、返工。

3.2 BenchCAD 2.0:工程能力从 0.594 提升到 0.875

2026 年 11 月 3 日,OpenAI 在《Accelerating engineering for the physical world》中公布:一个较新的内部模型在 BenchCAD 2.0 获得 0.875 的平均成绩,GPT-6 Astra 在最高推理强度下为 0.594,相对提升约 47.3%。测试内容包括三维零件重建、机械装配设计和 PCB 连接识别。

这两项证据应分开看待。OpenAI 没有说明 BenchCAD 测试模型与 Navier–Stokes 研究模型是否为同一个,名称和发布时间也均未公布。BenchCAD 是 OpenAI 自己公布的工程测试,属于空间理解与复杂工程知识的进步信号,与视频生成任务没有直接对应关系。

3.3 下一代 GPT 何时发布:截至 11 月 15 日的公开状态

日期 公开进展
11 月 2 日 据 The National 报道,Altman 在 ADIPEC 表示数学研究使用了一个即将发布的 GPT 模型,约 10,000 个 Agent 协作约四天;报道注明该表述未经独立验证
11 月 3 日 OpenAI 公布内部模型 BenchCAD 2.0 数据
11 月 4 日 The Information 援引知情人士报道,OpenAI 可能最快 11 月 6 日推出新一代 Astra、Sol 和网络安全模型
11 月 5 日 OpenAI API Changelog 确认发布 GPT-6 Cyber,未发布新一代通用 Astra 或 Sol
11 月 15 日 官方模型目录的通用旗舰仍为 GPT-6 Astra、GPT-6.1 Sol、GPT-6.1 Terra、GPT-6 Luna

网络上流传的 GPT-6.2 Astra、GPT-6.2 Sol 等名称目前没有获得 OpenAI 官方确认。同样要注意,VibeVideoBench 测的是 GPT-6 Astra 和 GPT-5.6 Sol,Astra 的成绩不能直接套用到 GPT-6.1 Sol 或 Terra 上。


4 下一代 GPT 要在视频创作上超越 Opus 5.5,还需要什么

4.1 视频 Agent 的真正瓶颈:时间管理与交付

VibeVideoBench 全部 2,151 次运行中,有 224 次没有交付可播放视频。其中 169 次属于时间管理问题:最终渲染启动太晚、运行过慢或根本没有启动,约占全部失败的 75%。测试环境是 8 核 CPU、32GB 内存、无 GPU 的统一 Docker 容器,渲染本身就要占用可观时间。

这说明模型推理能力提升之后,还要落实到执行节奏上。一个模型把动画写得再精致,如果在第 55 分钟才启动渲染,结果仍是零分。Astra 与 Opus 5.5 在质量上已经难分高下,下一代 GPT 拉开差距的空间主要在交付侧。

4.2 下一代 GPT 在视频工作流中的七个提升点

结合两者当前的强弱项,下一代模型若要明显超过 Opus 5.5,需要在以下环节同时进步:

  1. 需求与分镜理解:准确把握主题、受众、风格,把需求拆成镜头顺序和时间轴。
  2. 复杂动画代码:Remotion、Three.js、Python 动画一次写对,减少返工渲染。
  3. 多 Agent 调度:把脚本、动画、音频并行化,内部模型在数学研究中展示的编排能力需要迁移到这类工程任务。
  4. 渲染时机:预留足够渲染时间,避免占失败总数约四分之三的时间管理问题。
  5. 音画同步:旁白、音效与画面节奏对齐,这是 Opus 在音乐驱动类任务领先的方向。
  6. 主动自检:Opus 平均看图 7.9 次,Astra 为 3.4 次,自检频率与规格符合率直接相关。
  7. 稳定交付:完整 MP4 加可编辑工程,规格一次达标。

next-gpt-video-creation-vs-claude-opus-5-5-image-3


5 下一代 GPT 发布后,如何验证它是否真的超过 Opus 5.5

5.1 七步对比测试方法

公开榜单只运行一次、限时 60 分钟、以英文任务为主(239 项中 209 项为英文),中文业务场景需要自己复测。以下方法可在新模型发布当天直接复用:

步骤 做法 关注指标
1 固定任务集 选 10—20 条真实业务视频需求,覆盖脚本、动画、数据可视化、产品展示 任务覆盖度
2 固定环境 统一工具链(Remotion/FFmpeg 版本)、机器配置和时限;Harness 差异单独记录 可比性
3 分环节测试 先用 API 单测分镜和动画代码,再在 Agent 环境跑全流程 环节得分
4 记录消耗 每次运行的耗时、输入输出 Token、缓存命中 单位视频成本
5 交付检查 用 ffprobe 核对分辨率、帧率、时长、音轨 交付率、规格符合率
6 盲测与重复 隐去模型名做两两比较,每任务至少跑 3 次 偏好胜率、方差
7 综合打分 质量、成功率、修改成本、单位视频成本加权 最终选型结论

第 3 步把“模型能力”和“Agent 环境能力”分开。VibeVideoBench 测的是完整 Agent 系统,Codex CLI 与 Claude Code 本身也有差异;用同一个 OpenAI 兼容接口直接调用两家模型生成分镜和动画代码,可以先剥离 Harness 的影响,看清模型本身的差距。

5.2 用统一接口做环节级对比的代码示例

下面的极简示例通过同一个 base_url 调用两个模型,生成同一条视频需求的分镜脚本。模型名称请以平台模型列表为准。

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 统一接口,一个 Key 调用 GPT 与 Claude
)

prompt = "为一款记账 App 设计 30 秒竖屏宣传片:给出 6 个镜头的分镜、旁白和每个镜头的时长。"
for model in ["gpt-6-astra", "claude-opus-5-5"]:
    r = client.chat.completions.create(model=model, messages=[{"role": "user", "content": prompt}])
    print(model, r.usage.total_tokens, "\n", r.choices[0].message.content[:300])
查看完整的多轮对比测试脚本(记录耗时与 Token)
import time
import json
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # 通过 API易 统一调用,便于切换和对比
)

MODELS = ["gpt-6-astra", "claude-opus-5-5"]  # 以平台模型列表为准;新模型发布后直接追加
RUNS = 3  # 每个任务重复运行次数

TASKS = {
    "storyboard": "为一款记账 App 设计 30 秒竖屏宣传片,输出 6 个镜头的分镜、旁白和时长(JSON)。",
    "remotion": "用 Remotion 写一个 10 秒的柱状图增长动画组件,数据为 [12, 30, 45, 80],带标题与数值标签。",
    "data_story": "把“某城市 2020-2025 年新能源车渗透率从 5% 升至 48%”写成 45 秒数据故事视频的脚本和镜头说明。",
}

SYSTEM = "你是视频导演兼前端动画工程师,输出可直接用于代码驱动视频制作的内容。"


def run_once(model: str, prompt: str) -> dict:
    start = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": prompt},
        ],
        max_tokens=4000,
    )
    return {
        "seconds": round(time.time() - start, 1),
        "prompt_tokens": resp.usage.prompt_tokens,
        "completion_tokens": resp.usage.completion_tokens,
        "output": resp.choices[0].message.content,
    }


results = []
for task_name, prompt in TASKS.items():
    for model in MODELS:
        for i in range(RUNS):
            try:
                rec = run_once(model, prompt)
            except Exception as e:
                rec = {"error": str(e)}
            rec.update({"task": task_name, "model": model, "run": i + 1})
            results.append(rec)
            print(task_name, model, i + 1, rec.get("seconds"), rec.get("completion_tokens"))

# 保存结果,隐去模型名后交给评审做盲测
with open("video_bench_results.json", "w", encoding="utf-8") as f:
    json.dump(results, f, ensure_ascii=False, indent=2)

🚀 快速上手:环节级对比需要同时调用 GPT 与 Claude。通过 API易 apiyi.com 用一个 API Key、OpenAI 兼容接口即可切换两家模型,新用户有免费测试额度,下一代 GPT 上线后把模型名加进 MODELS 列表就能复跑同一套任务。

5.3 全流程测试的注意事项

环节测试通过后,再在 Codex CLI 和 Claude Code 中跑完整视频任务,记录交付率和 ffprobe 检查结果。人工盲测只评已交付视频,交付率必须单独统计,否则会重复 VibeVideoBench 人工测试的盲区。每个任务至少重复 3 次,取均值和方差,避免把单次运行的结果当成稳定性能。


6 决策建议:GPT 与 Opus 5.5 的视频场景怎么选

6.1 按场景选择 GPT-6 Astra 或 Opus 5.5

依据 VibeVideoBench 的分类成绩和交付数据,现阶段可以这样分配:

  • 优先 GPT-6 Astra:数据与事实故事、概念与流程解释、故事类和游戏类视频;批量生产、对单位成本敏感的场景,平均任务成本 8.19 美元,P90 成本也更可控。
  • 优先 Claude Opus 5.5:产品与功能展示、音乐驱动视频、论文解读;对规格和交付有硬性要求的商业交付,如固定分辨率、时长、必须带音轨的投放素材。
  • 品牌营销:两者得分同为 4.18,按成本和团队已有工具链决定。

6.2 等待下一代 GPT 还是现在上线

现款两个模型已经能稳定产出可用视频,业务无需等待下一代模型。更实际的做法是用第 5 节的方法建立自己的任务集和基线成绩,新模型发布当天复跑,用数据决定是否切换。

💡 选择建议:两者差距集中在交付稳定性和成本结构上,最终选择取决于你的视频类型和交付要求。建议通过 API易 apiyi.com 用同一批真实任务分别测试,统一接口便于并排比较和后续切换到新模型。


7 最后结论:下一代 GPT 的竞争目标已经不只是追平 Opus 5.5

7.1 GPT 与 Opus 5.5 视频能力核心要点

  • 现状:GPT-6 Astra 与 Claude Opus 5.5 在 VibeVideoBench 代码驱动视频任务中同处第一梯队,综合质量 4.109 对 4.074。
  • Astra 的优势:视觉美感、多数内容类别得分,以及约低 46.7% 的平均任务成本。
  • Opus 5.5 的优势:239/239 全部交付、99.6% 规格符合率、更频繁的自检。
  • 人工偏好:1242 对 1203,置信区间重叠,统计上无法区分。
  • 下一代信号:内部模型在 BenchCAD 2.0 达到 0.875(Astra 0.594),并展示了万级 Agent 协作能力;名称、发布时间和视频成绩均未公布。
  • 真正瓶颈:约 75% 的交付失败源于时间管理,竞争焦点正从生成质量转向执行与交付。
  • 验证方式:固定任务、固定环境、多轮盲测、按单位视频成本核算,可在 API易 apiyi.com 上用统一接口完成环节级复测。

7.2 竞争终点是完整生产效率

回到标题:GPT 已经赶上 Opus 5.5,现款 Astra 在质量和成本上略占优势,Opus 5.5 在交付可靠性上保持领先。OpenAI 内部模型展示出更强的通用能力和多 Agent 执行潜力,下一代通用 GPT 有机会进一步提高视频制作能力,具体幅度要等发布后的独立评测和你自己的业务测试来回答。

接下来的竞争会落在完整生产效率上:从理解创意到输出一条可靠、精确、可修改的视频,谁能以更低成本完成更多任务。建议现在就用 API易 apiyi.com 建好自己的视频任务基线,新模型一上线即可直接对比。


参考资料

  1. VibeVideoBench 官方评测网站:视频 Agent 排行榜与质量分数
  2. 链接: vibevideobench.github.io
  3. 说明: 总体榜单与评测设计概览

  4. VibeVideoBench 论文:方法论、分类成绩、成本、人工偏好与失败原因

  5. 链接: arxiv.org/abs/2610.35864
  6. 说明: 本文表格数据的主要来源,分类成绩见 Appendix E.4

  7. Anthropic Claude Opus 5.5 发布公告:模型定位与官方案例

  8. 链接: anthropic.com/claude-opus-5-5
  9. 说明: Opus 5.5 能力与成本变化的官方描述

  10. OpenAI:On the Navier–Stokes Millennium Prize Problem:内部模型与多 Agent 研究

  11. 链接: openai.com/index/navier-stokes-solution
  12. 说明: 10,000 并发 Agent、88 小时研究等数据

  13. OpenAI:Accelerating engineering for the physical world:BenchCAD 2.0 内部模型成绩

  14. 链接: openai.com/index/accelerating-engineering-for-the-physical-world
  15. 说明: 内部模型 0.875 与 GPT-6 Astra 0.594 的对比

  16. OpenAI API Changelog 与模型目录:发布进展核实

  17. 链接: developers.openai.com/api/docs/changelog、developers.openai.com/api/docs/models
  18. 说明: GPT-6 Cyber 发布记录与当前公开旗舰模型

  19. OpenAI API Deprecations:Sora 2 与 Videos API 关停信息

  20. 链接: developers.openai.com/api/docs/deprecations
  21. 说明: 原生视频生成路线的现状

作者:API易 技术团队
技术交流:欢迎在 API易 apiyi.com 首页联系我们交流视频 Agent 测试经验,更多接入资料可访问 docs.apiyi.com 文档中心

延伸阅读

类似文章