把歌詞丟給模型生成音樂錄影帶，目前看起來就像是一個喝醉的剪輯師，強行把毫不相干的畫面與節奏拼湊在一起。這場鬧劇的核心在於 Claude 與 ChatGPT 對於「敘事連續性」的理解，根本還停留在連環畫的階段。當你試圖讓它們根據一段歌詞生成影像，它們總會陷入一種愚蠢的直譯陷阱——聽到「雨」，就給你塞滿下雨的特寫；聽到「孤獨」，就丟出一張在窗邊發呆的臉孔。這種平面化的處理，讓音樂錄影帶失去了靈魂，剩下的是一連串毫無邏輯的視覺雜訊。
從技術底層來看，Claude 在處理長文本脈絡時，雖然展現了對細節的捕捉能力，但當任務轉向多模態的視覺一致性時，模型對「場景錨點」的維護顯得極度脆弱。當你要求一個超過三分鐘的敘事時，ChatGPT 的 video generation module 在工具調用過程中，經常會丟失初始設定的視覺風格參數。一旦出現了幾個幀的跳變，整個影片的視覺語言就崩塌了。這不是模型算力不足，而是它們根本沒有建立一套「視覺劇本」的規劃邏輯，依然是在用處理文字的方式處理影像的連續性，導致結果看起來就像是好幾個不同風格的短片硬是被縫合在一起。
這種對於視覺邏輯的無力感，在比較中顯得特別刺眼。相較於 Kimi K3，ChatGPT 試圖透過更複雜的系統提示詞來強行固定風格，而 Claude 則傾向於在單一提示詞下進行暴力生成，這種差異決定了兩者在影像破碎化後的補救空間。Kimi K3 的介入深度與這些平台截然不同。對於那些期待 AI 能直接產出大片的人來說，現在的技術水準甚至稱不上是「接近可用」，頂多是「有潛力的混亂」。如果你沒有耐心在後期進行大量的人工修補，這些模型產出的內容，除了拿來做行為藝術，幾乎沒有任何商業價值。
我們到底是在追求更精準的指令執行，還是該承認目前的生成邏輯本質上就排斥藝術性？如果音樂錄影帶的價值在於隱喻與留白，那麼當我們試圖用演算法去定義什麼叫「孤獨的影像」時，是不是就注定會得到一個毫無溫度的複製品？當模型學會了歌詞裡的每一個字，卻永遠讀不懂旋律背後的弦外之音時，我們對 AI 敘事的期待，是否不過是一場自欺欺人的幻覺？