卧槽，全体起立！！我宣布做 AI 动画视频真没必要死磕Claude opus 5.5和fable 5.2那些昂贵的视频大模型了，我刚用新加坡 FUMO Lab 的这个融合模型 Fusion Max 2.0，只花了 3.76 美元、4 次调用、生成一个 105KB 的单个 HTML 文件，
然后纯代码硬生生写出了一支 52 秒的手绘水彩风格猫咪宣传片，效果直接看齐 Claude Fable 5.2，真牛逼！

这支片子里没有用任何视频生成模型，没有引用哪怕一张外部图片和字体，连背景的钢琴配乐和杯子摔碎的清脆音效，全都是靠代码里的 Web Audio 现场数学合成出来的，逐帧导出整整 1560 张 1080P 高清画面，

之前我用它花 5.77 美元写出了能玩的游戏，这次游戏做完，连宣传片也直接包圆了，

很多人一提 AI 做视频就只盯着像素扩散模型，每天在提示词里跟随机抽卡较劲，换个镜头猫的条纹就变了、白爪子也丢了，

其实换个角度看，像素模型是在一帧一帧猜画面，而让顶级推理模型写 Canvas 2D 代码，是在用数学公式构建一个确定性运行的二维动画引擎，

我把这次 4 轮迭代的账单和实测结果拆开看，有三个特别反直觉的发现，

先说账单，纯代码做视频是典型的输出大户，每改一轮模型都得把整份文件从头到尾重写一遍，
这 4 次调用一共输入 11.3 万 token、输出 17.1 万，Fusion Max 2.0 的输出单价是每百万 20 美元，而 Claude Fable 5.1 和 GPT-6 Astra 都要 50 美元，
同样的用量按它们的公开价算下来要 9.68 美元左右，3.76 美元直接把成本打到了 2.6 分之一，省下一大半预算，
再说它对画面细节的理解力，很多人以为写代码的模型不懂美术，其实只要你把问题说透，它比画师还听话，第二版出来的橘猫像个纸片贴纸，

一个椭圆身体贴四条腿、再贴一张永远朝正面的死板猫脸，我在提示词里把 12 个动作姿势逐个点了名，到了第三版，猫头直接进化出了正面、侧面、四分之三侧面三种透视画法，四条腿也有了真实的关节弯曲，条纹、白嘴套和白爪子在四个场景里严丝合缝，

最让我头皮发麻的是最后一轮工程交付，网页动画再好看也得变成视频文件才能发，我在提示词里直接提了三个硬核接口要求，
第一是同一秒永远画出分毫不差的同一帧，

第二是整段 Web Audio 音频能离线渲染导出 WAV，

第三是直接内置一个逐帧录制模式，结果这三个底层接口第一次跑测试就全部一次通过，这种代码一次写对的完成度，放到 Fable 5.2 那一档也完全拿得出手，

说实话，过程也没那么神乎其神，肯定不是一次成片，第一版跑出来画面发灰，看着像廉价的扁平矢量插画，前前后后整整打磨了三轮，定稿里其实还留着一个小穿帮，书架倒塌那段猫在落地前从画面上方飞过了两次，

另外片子后段的实机画面是游戏录屏，最终的拼接和字幕我是用 FFmpeg 合成的，这部分不算在 3.76 美元里，
如果你想自己动手用纯代码手搓一支动画宣传片，这六条实战经验可以直接拿去抄，
第一，首版提示词必须把边界写死，明确要求只交单个 HTML 文件，画面全靠 Canvas 2D 绘制，不准引用任何外部图片、音频和第三方库，

第二，动笔前先写分镜表，把每个镜头的起止秒数、画面构图、以及这一镜要交代的剧情任务写得明明白白，

第三，第一版就必须让模型写出一个时间跳转检查接口，方便你随时跳到任意一秒截图找穿帮，否则每次从头看 52 秒能把人逼疯，

第四，每轮迭代只攻克当前最大的短板，先调通水彩质感与光影，再死磕角色透视与关节，

最后才去微调个别穿帮镜头， 第五，给模型提修改意见永远只写三样东西，第几秒、画面里看到了什么、你想要什么效果，

千万别自作聪明去指定具体代码怎么改， 第六，等所有画面和音效彻底定型后，最后一轮再让它加上离线音频导出和逐帧录制接口，

说白了，纯代码做视频就是把大模型当成手速极快的图形学程序员，模型负责一笔一笔画像素、算波形，人负责当好导演说清楚哪里不对。