SenseNova 6.8 Code2Video: Offenes 27B-Modell schreibt Code, der Videos erzeugt

Windows 10 / 11

Windows 10 / 11: nicht offiziell getestet. Die Quelle nennt nur Linux-Docker mit NVIDIA-Karten. Unter Windows geht es vermutlich nur über WSL2 (Linux im Windows) mit mehreren NVIDIA-Karten, getestet ist das nicht. Ohne passende Hardware bleibt nur ein gemieteter Linux-Server mit GPUs.

1. Voraussetzungen prüfen. Du brauchst Windows mit WSL2 (Ubuntu), Docker Desktop mit WSL2-Anbindung, einen aktuellen NVIDIA-Treiber und 4 NVIDIA-Grafikkarten mit zusammen mindestens etwa 67 GB Grafikspeicher. Dazu rund 60 GB freien Platz, Git, Python 3, Node.js 18+, ffmpeg, Claude Code und Schriftarten für die Sprache des Videos. Alle folgenden Befehle gibst du im Ubuntu-Fenster (WSL2) ein.
2. Modellgewichte herunterladen. Lege eine Python-Umgebung an und lade das Modell (ca. 55 GB). Das dauert je nach Leitung lange.

   python3 -m venv .venv
   source .venv/bin/activate
   pip install -U huggingface_hub
   hf download sensenova/SenseNova-6.8-Code2Video --local-dir ~/SenseNova-6.8-Code2Video

3. Modell-Server starten. Der Server macht das Modell für Claude Code erreichbar. Ersetze den Pfad durch deinen Download-Ordner (in WSL2 ggf. den vollen Pfad wie /home/DEINNAME/SenseNova-6.8-Code2Video). Das Fenster bleibt offen.

   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

4. Skill ins Aufgabenordner kopieren. Der „Skill“ ist das Arbeitsprogramm des Modells. Öffne ein neues Ubuntu-Fenster. Setze TASK auf den vollen Pfad eines neuen Ordners.

   TASK=/absolute/path/to/a-new-video-task
   git clone https://github.com/OpenSenseNova/SenseNova-6.8-Code2Video.git
   mkdir -p "$TASK/.claude/skills"
   cp -r SenseNova-6.8-Code2Video/skills/code-video "$TASK/.claude/skills/"

5. Abhängigkeiten installieren. Das lädt die Python-Pakete und den Browser, mit dem Bilder gerendert werden.

   python3 -m pip install -r "$TASK/.claude/skills/code-video/requirements.txt"
   cd "$TASK" && npm install playwright && npx playwright install chromium

6. Einstellungsdatei und Wunschtext anlegen. Speichere diese Datei als private-settings.json. Als Modellname trägst du den Namen ein, den dein Server führt (bei vLLM meist /model). Den Zugangsschlüssel setzt du mit ANTHROPIC_AUTH_TOKEN. Dann schreibst du deinen Videowunsch (z. B. „retro airport split-flap board“), lässt ihn mit der Vorlage prompts/enhance_prompt.md aus dem GitHub-Repo von einem starken Chat-Modell ausbauen und speicherst das Ergebnis als dense_prompt.md im Aufgabenordner.

   {
     "env": {
       "ANTHROPIC_BASE_URL": "http://localhost:8000",
       "ANTHROPIC_MODEL": "/model",
       "CLAUDE_CODE_MAX_CONTEXT_TOKENS": "524288",
       "CLAUDE_AUTOCOMPACT_PCT_OVERRIDE": "80",
       "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "64000"
     },
     "model": "/model"
   }

7. Video erzeugen lassen. Starte die Produktion. Sie läuft oft viele Stunden und führt Befehle ohne Nachfrage aus, nutze also eine abgeschottete Umgebung.

   cd "$TASK"
   claude -p --settings /absolute/path/to/private-settings.json --model /model \
     --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.'

8. Ergebnis. Im Aufgabenordner liegt nach der Produktion der Ordner out mit der fertigen Videodatei final.mp4, dazu SPEC.md und VERIFY.md.

macOS

macOS: nicht unterstützt. Die Anleitung des Herstellers setzt Docker mit NVIDIA-Grafikkarten (--gpus all) und 4 Karten voraus. Das gibt es auf dem Mac nicht. Nutze stattdessen einen gemieteten Linux-Server mit 4 NVIDIA-Karten; dein Mac kann dann nur als Fernbedienung dienen.

Linux

Linux: unterstützt. Offiziell vorgesehen sind Docker-Server (vLLM, SGLang oder LightLLM) mit 4 NVIDIA-Karten (tensor parallel 4). Welche Karten der Hersteller getestet hat, steht nicht in der Quelle.

1. Voraussetzungen prüfen. Du brauchst 4 NVIDIA-Grafikkarten mit zusammen mindestens etwa 67 GB Grafikspeicher, den NVIDIA-Treiber und Docker mit NVIDIA Container Toolkit (damit Docker die Karten nutzen darf). Dazu rund 60 GB freien Platz, Git, Python 3, Node.js 18+, ffmpeg, Claude Code und Schriftarten für die Sprache des Videos.
2. Modellgewichte herunterladen. Lege eine Python-Umgebung an und lade das Modell (ca. 55 GB). Das dauert je nach Leitung lange.

   python3 -m venv .venv
   source .venv/bin/activate
   pip install -U huggingface_hub
   hf download sensenova/SenseNova-6.8-Code2Video --local-dir ~/SenseNova-6.8-Code2Video

3. Modell-Server starten. Der Server macht das Modell für Claude Code erreichbar. Ersetze /path/to/... durch den vollen Pfad deines Download-Ordners. Das Terminal bleibt offen.

   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

4. Skill ins Aufgabenordner kopieren. Der „Skill“ ist das Arbeitsprogramm des Modells. Öffne ein neues Terminal. Setze TASK auf den vollen Pfad eines neuen Ordners.

   TASK=/absolute/path/to/a-new-video-task
   git clone https://github.com/OpenSenseNova/SenseNova-6.8-Code2Video.git
   mkdir -p "$TASK/.claude/skills"
   cp -r SenseNova-6.8-Code2Video/skills/code-video "$TASK/.claude/skills/"

5. Abhängigkeiten installieren. Das lädt die Python-Pakete und den Browser, mit dem Bilder gerendert werden.

   python3 -m pip install -r "$TASK/.claude/skills/code-video/requirements.txt"
   cd "$TASK" && npm install playwright && npx playwright install chromium

6. Einstellungsdatei und Wunschtext anlegen. Speichere diese Datei als private-settings.json. Als Modellname trägst du den Namen ein, den dein Server führt (bei vLLM meist /model). Den Zugangsschlüssel setzt du mit ANTHROPIC_AUTH_TOKEN. Dann schreibst du deinen Videowunsch (z. B. „retro airport split-flap board“), lässt ihn mit der Vorlage prompts/enhance_prompt.md aus dem GitHub-Repo von einem starken Chat-Modell ausbauen und speicherst das Ergebnis als dense_prompt.md im Aufgabenordner.

   {
     "env": {
       "ANTHROPIC_BASE_URL": "http://localhost:8000",
       "ANTHROPIC_MODEL": "/model",
       "CLAUDE_CODE_MAX_CONTEXT_TOKENS": "524288",
       "CLAUDE_AUTOCOMPACT_PCT_OVERRIDE": "80",
       "CLAUDE_CODE_MAX_OUTPUT_TOKENS": "64000"
     },
     "model": "/model"
   }

7. Video erzeugen lassen. Starte die Produktion. Sie läuft oft viele Stunden und führt Befehle ohne Nachfrage aus, nutze also eine abgeschottete Umgebung.

   cd "$TASK"
   claude -p --settings /absolute/path/to/private-settings.json --model /model \
     --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.'

8. Ergebnis. Im Aufgabenordner liegt nach der Produktion der Ordner out mit der fertigen Videodatei final.mp4, dazu SPEC.md und VERIFY.md.