SenseNova 6.8 Code2Video 快速上手教程：10分钟从0到第一部代码生成短视频（含环境清单）
【免费下载链接】SenseNova-6.8-Code2Video项目地址: https://ai.gitcode.com/SenseNova/SenseNova-6.8-Code2Video
SenseNova 6.8 Code2Video是一个开源的代码生成视频模型（Code2Video）：你用一句创意描述，它通过编写并执行可运行代码，一步步"码"出一部完整短视频。本文是一份面向新手的快速上手教程，带你用 10 分钟完成环境准备、部署与第一次出片，文末附完整环境清单。
为什么"代码生成视频"值得关注？
传统 AI 视频模型"抽卡"出画面，结果难以精确控制。而 SenseNova 6.8 Code2Video 选择了另一条路：
- 📝以代码为创作媒介：模型不直接吐像素，而是生成可执行代码来构建和渲染每一帧，画面构图与动效编排更可控；
- 🔗代码是万能连接器：代码可以调用图像生成、视频生成、3D 建模、剪辑工具，把"生成—剪辑—合成"串成完整工作流；
- 🧠轻量开放：基于 Qwen3.8-27B 微调，Apache 2.0 协议开源，支持512K 超长上下文，单次任务可连续运行10 小时以上、2000+ 轮对话。
官方开源仓库中附带了完整的生产轨迹 trajectories/all.openai.jsonl 和 357 张过程截图（trajectories/figures/），你可以打开看看"一条片子是怎么从代码里长出来的"。
上手前：5 分钟读懂仓库结构
部署前先看一眼这个仓库里有什么，心里有数：
| 文件 / 目录 | 作用 |
|---|---|
| model-00001-of-00012.safetensors ~ model-00012-of-00012.safetensors | 模型权重，共 12 个分片，总计约51 GB（bfloat16） |
| config.json | 模型结构配置：64 层、5120 隐藏维度、混合线性注意力 + 全注意力、262K 原生位置编码 |
| generation_config.json | 默认采样参数：temperature 1.0、top_k 20、top_p 0.95 |
| preprocessor_config.json | 视觉处理器配置（Qwen3VLProcessor），说明模型带图像/视频理解能力 |
| chat_template.jinja、tokenizer.json | 对话模板与分词器 |
| trajectories/ | 3 部完整影片的生产轨迹 + 357 张过程图，是最好的"学习教材" |
| media/launch/ | 官方发布短片（90 秒，带声音），由本模型自己生成 |
关键参数一眼览（来自 config.json）：
- 参数规模：27B（270 亿）
- 上下文：服务端可开到524,288 token（512K）
- 精度：bfloat16
第一步：获取模型权重
把仓库克隆到本地，后续所有部署命令都以这个目录为准：
git clone https://gitcode.com/SenseNova/SenseNova-6.8-Code2Video⚠️ 权重文件共约 51 GB，请使用
git lfs拉取，并预留 60 GB 以上磁盘空间。
第二步：三种部署方式任选其一
模型以标准 Hugging Face 格式发布，三大主流推理框架都支持，选一个你熟悉的即可。以下命令把权重目录挂载为容器内的/model。
方式 A：vLLM 部署（推荐）
docker run --rm --gpus all --ipc=host -p 8000:8000 \ -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 \ -v /path/to/SenseNova-6.8-Code2Video:/model \ vllm/vllm-openai:latest \ --model /model \ --tensor-parallel-size 4 \ --max-model-len 524288 \ --reasoning-parser qwen3 \ --enable-auto-tool-choice \ --tool-call-parser qwen3_coder \ --host 0.0.0.0 --port 8000方式 B：LightLLM 部署
docker run --rm --gpus all --ipc=host -p 8000:8000 \ -v /path/to/SenseNova-6.8-Code2Video:/model \ ghcr.io/modeltc/lightllm:main \ python -m lightllm.server.api_server \ --model_dir /model \ --tp 4 \ --max_req_total_len 524288 \ --host 0.0.0.0 --port 8000方式 C：SGLang 部署
docker run --rm --gpus all --ipc=host -p 8000:8000 \ -e SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=1 \ -v /path/to/SenseNova-6.8-Code2Video:/model \ lmsysorg/sglang:latest \ python -m sglang.launch_server \ --model-path /model \ --tp-size 4 \ --context-length 524288 \ --reasoning-parser qwen3 \ --tool-call-parser qwen3_coder \ --host 0.0.0.0 --port 8000三个方式都启动后，本地http://localhost:8000就是一个 OpenAI 兼容接口，可以用任意支持自定义 Base URL 的客户端访问。
第三步：接入 Claude Code 作为生产工作台
一部完整短片是长程任务：模型要反复写代码、渲染、回看帧画面、再修改，一轮接一轮。官方推荐用Claude Code作为 harness（工作 harness），并针对超长任务调好参数：
| 配置项 | 建议值 | 设置方式 |
|---|---|---|
| 上下文窗口 | 512K | CLAUDE_CODE_MAX_CONTEXT_TOKENS=524288 |
| 自动压缩阈值 | 0.8 | CLAUDE_AUTOCOMPACT_PCT_OVERRIDE=80 |
| 单次最大输出 | 64K | CLAUDE_CODE_MAX_OUTPUT_TOKENS=64000 |
| 单轮任务最大轮数 | 2000+ | --max-turns 2000 |
| 单任务时长上限 | 10 小时+ | timeout 10h或更大 |
💡 注意：上下文窗口要显式设置，否则 Claude Code 会把未知模型当成 200K 处理，长任务会中途断掉。
把接口地址和变量写入一个私密配置文件即可：
{ "env": { "ANTHROPIC_BASE_URL": "https://your-endpoint.example.com", "ANTHROPIC_MODEL": "your-deployed-model-name", "CLAUDE_CODE_MAX_CONTEXT_TOKENS": "524288", "CLAUDE_AUTOCOMPACT_PCT_OVERRIDE": "80", "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "64000" }, "model": "your-deployed-model-name" }⚠️ 任务运行时会无人值守地执行 shell 命令（包括渲染、转码等），请务必在隔离环境（容器或虚拟机）中启动。
第四步：10 分钟产出第一支视频
完整的出片流程分三个阶段：
| 阶段 | 由谁完成 | 输出 |
|---|---|---|
| ① Prompt 增强 | 一个强通用模型 + 官方 Enhance prompt 模板 | dense_prompt.md（细化后的创作需求） |
| ② 生产 | SenseNova 6.8 Code2Video + Claude Code +code-video技能 | out/final.mp4、SPEC.md、VERIFY.md |
| ③ 修改（可选） | 你写修改意见，模型在同一项目里应用 | 新版视频 |
任务目录长这样（包含dense_prompt.md、素材目录assets/和技能目录.claude/skills/code-video），然后一条命令启动：
cd /path/to/task claude -p --settings /path/to/private-settings.json --model your-deployed-model-name \ --max-turns 2000 --permission-mode acceptEdits \ --allowedTools "Bash,Read,Write,Edit,Glob,Grep,Skill" \ 'Use the project code-video skill. Read .claude/skills/code-video/SKILL.md and dense_prompt.md, then the relevant craft guides. Produce the complete video and deliver out/final.mp4, SPEC.md and VERIFY.md.'等它跑完（耐心，官方示例任务可达数小时），out/final.mp4就是你的第一部代码生成短视频🎬。
想修改？在同目录执行claude -p --continue，把你的修改意见作为提示词发进去即可，模型会在原项目上迭代出新版。
它能做什么？看看官方轨迹里的成片效果
README 中给出的方向覆盖了很多场景：数学科普动画、纸艺风影片、等距 3D 世界、动态排版、数据故事、角色动画、产品宣传。下面这些都是从 trajectories/figures/ 过程截图中挑出的真实帧：
- 数学解释片：傅里叶级数、方波分解等抽象公式"动"起来
- 动态排版（Kinetic Type）：字体本身成为运动材料
- 信号 / 噪声视觉化：频谱、波形与几何图形的同步演算
完整环境清单（直接照抄）
📋硬件
- GPU：官方示例使用
--tp 4，即4 张 GPU；权重约 51 GB（bf16），4 卡总显存需 comfortably 覆盖（建议 4×24GB 起步，显存更宽裕更稳） - 磁盘：≥ 60 GB（权重 51 GB + 容器 + 渲染中间产物）
- CPU / 内存：常规多核服务器即可，渲染阶段吃 CPU 较多
📦软件
- Docker + NVIDIA 容器运行时（
--gpus all可用） - 推理框架任选：vLLM / LightLLM / SGLang 最新版镜像
- Claude Code CLI（作为生产 harness）
- 端口：8000（服务）可自定义
🔢关键参数
| 参数 | 值 | 说明 |
|---|---|---|
--max-model-len/--context-length | 524288 | 512K 上下文，务必与客户端保持一致 |
--tensor-parallel-size/--tp | 4 | 按你的 GPU 数量调整 |
--tool-call-parser | qwen3_coder | 代码生成视频必须开启工具调用 |
--reasoning-parser | qwen3 | 解析思考内容 |
CLAUDE_CODE_MAX_OUTPUT_TOKENS | 64000 | 保证单次请求不超服务端 512K 上限 |
常见问题速查
Q：跑不动 4 卡，能 2 卡部署吗？可以，把--tensor-parallel-size改成 2，但 51 GB 权重对显存压力较大，长上下文的 KV cache 可能放不下，建议降低--max-model-len。
Q：为什么一定要 512K 上下文？一部片子要"写代码 → 渲染 → 看帧 → 改"循环数千轮，上下文就是它的工作记忆。512K + 80% 压缩阈值是官方验证过的稳定组合。
Q：模型只输出代码吗？不止。它是完整的 VLM（带 vision_config），能"看"渲染出来的帧并自我检查，所以成片里既有构图也有运动编排。
Q：想研究它是怎么做片的？打开 trajectories/all.openai.jsonl，每行一部完整影片的全量对话 + 工具调用日志，配合 trajectories/figures/ 的 357 张过程图，是最好的免费教材。
写在最后
SenseNova 6.8 Code2Video 的意义，不只是"多了一种生成视频的方式"，而是让代码成为创意与成片之间的通用语言——它既能自己构建画面，也能调度图像、3D、剪辑等其他模型，把整个创作流水线串起来。官方团队表示，下一步会把这种能力扩展到剪辑、合成、动画和 3D 内容创作。
从本教程的 10 分钟上手，到第一部 10 小时长任务成片，你只需要准备好环境、一条好 prompt，然后——交给代码。🎬
项目基于 Apache License 2.0 开源，详见 README.md。
【免费下载链接】SenseNova-6.8-Code2Video项目地址: https://ai.gitcode.com/SenseNova/SenseNova-6.8-Code2Video
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
