2026 年让 AI 写 Manim 动画，思考模式该不该一直开？一部长动画的最新成本复盘

2026 年让大模型写 Manim 代码已经很常见，深度思考该开到什么程度，网上的说法多是凭感觉。这篇是极坐标⋅XYZ 做最新的 Manim 长动画功能时，拿真实账单做的一次复盘。

我们的结论是：写每一章的第一稿时开，之后修修补补时关；让模型看图检查画面时一直关。按这个改完，一部 5 章的讲解动画从一万多积分降到了三千上下，画面我们看不出差别。

这是极坐标⋅XYZ 工作区「长动画」上线前的一次复盘。长动画是让 AI 助手做一部三五分钟、分章节、带配音的讲解片，画面全部用 Manim 写。Manim 是开源的数学动画引擎，3Blue1Brown 的视频是它最出名的作品，写 Python 代码、渲染成视频，2026 年最新的社区版是 0.21.0（这里有更完整的介绍）。我们站里另有一套今年按 0.21.0 重做的 Manim 中文教程，下面说到的几何出错的例子，学过坐标和向量那几课的人一眼就能看出来。

起因：一部片扣了一万多积分

上线前我们在线上环境做了一部「第一次发现无理数」，5 章，讲根号二为什么写不成分数。片子做出来没问题，账单有问题：大约 10,760 积分。

把日志拉出来拆了一下：

• 画面验收 3,750
• 各章写代码 5,580
• 规划分镜 950

再往下看，92% 的钱花在输出 token 上，而输出里绝大部分是模型的思考过程，真正写下来的代码和意见只占一个零头。也就是说，钱主要付给了我们看不到也用不上的那部分文字。

看图检查：思考了两分钟，没有看得更准

流程里有一步叫画面验收。每章做完，在每句口播结束前截一帧，拼成一张图，交给模型对照分镜检查：标签有没有压线，该淡出的东西还在不在，图形位置对不对。

这一步原先开着思考。我们把线上那 17 次验收原样导出来，换不同的设置重放：

设置	每次输出	每次用时
开思考（线上原样）	约 27,300 token	122 秒
关思考 + 改过的提示词	约 800 token	4 秒

便宜了二十多倍。问题是准不准。

我们的发现是两边差不多不准。有一张图线上碰巧验了三次，三次提的意见互相不重合，而图上真正的毛病（上一段的说明文字没清掉）三次都没人提。它还把我们印在图片左上角的编号当成了画面内容，报了一条「严重：文字乱码」。关掉思考之后，漏报和误报是同一个水平。

原因后来想明白了。一张图片送进模型，只占一两百个 token，细节它根本看不清。翻它的思考记录，它是在拿分镜里写的坐标，对着缩略图估像素。看不清的东西，想得再久也还是看不清。我们试过把图拆成一格一张、放大两倍，每张只多出 170 多个 token，帮助有限。

比档位更费钱的是一条规则

拆账的时候发现了一件更要紧的事。原先的规则是「验收有意见就退回去改」，每章最多退两次。而线上 17 次验收，17 次都提了意见。

一个总能挑出点什么的检查员，加上一条有意见就返工的规则，结果是每一章都固定返工满两次，不管它第一稿好不好。章节那 5,580 积分里，有很大一块是这么来的。

改法有三处：验收的提示词重写，要求它区分「严重」和一般意见，没问题时就明确说没问题；只有「严重」才退回；画面没变化就不重复验。重写提示词之后，关思考的 51 次重放里有 29 次直接回了空列表，14 次报了严重。

一般的意见不会丢掉，会列在那一章下面，留给用户自己决定改不改。

写代码：第一稿想清楚，后面别想太多

章节写作我们拿同一份分镜跑了三种配置：

配置	输出 token	试跑次数	结果
一直开思考	约 611,000	—	线上那次，含被退回的返工
首稿开，之后关	约 181,000	10	4 章验收一次过
全程关	约 39,000 ~ 65,000	14 ~ 22	更便宜，但有一次卡住

「首稿开、之后关」和一直开相比，成片我们看不出差别。道理也说得通：第一稿要决定整章的布局、每个图形放哪、每句话对应哪几个动画，这确实需要盘算；后面的修改多是「这个标签往右挪一点」「这段动画压到 1.2 秒」，知道要改什么之后直接改就行。

全程关思考再便宜一半以上，在这份分镜上画面也不差，因为这份分镜把坐标都写死了。但它有两个毛病。一是会多试跑几轮，有一次有一章连着截了 14 次帧来回看，就是不肯收工，我们后来加了连续截帧的上限。二是遇到要自己算几何的题会出错：早先单摆那个用例里，全程不思考的那次把回复力的方向画反了。

所以线上用的是中间那一档。

改完之后

同一份无理数分镜，按新配置重跑，章节部分的消耗降到原来的三成左右，验收那一块几乎可以忽略。现在一部 5 章的片子大约在 2,000 到 3,500 积分，规划占了其中近三分之一，这一块我们还没动。

顺带一个不那么直观的观察：我们用的模型，思考的「低」档和「高」档实际想的量差不多。指望调低档位省钱是省不下来的，有意义的选择只有开和关。

回头看这次复盘

这次的判断全靠把线上那 17 次验收存下来重放。凭感觉我们猜不出「开不开思考一样准」，也想不到最大的一笔浪费出在一条返工规则上，而不在模型档位上。拆账的时候按环节、按输入输出、按思考和正文分开看，比盯着总数有用得多。

另一点是先弄清模型实际看到了多少。一张图进去只有一两百 token 的时候，它当不了质检员，让它只报明显的大问题更合适。

常见问题

Q：这对普通用户有什么影响？ A：做一部长动画更便宜了，也更快。验收从两分钟一次变成几秒一次，各章不再固定返工两轮。

Q：关了思考，代码质量不会下降吗？ A：首稿仍然开着。我们对比过成片，首稿之后关掉思考的版本和全程思考的看不出区别，首稿大多数能一次通过验收。

Q：画面验收既然不准，为什么还留着？ A：它能拦住一部分明显的问题，比如整块图形叠在一起、该出现的东西没出现，而且现在很便宜。它拦不住的细节，留给用户在成片里看，哪一章不对就只重做那一章。

Q：自己用大模型写 Manim 代码，该不该开深度思考？ A：从零写一个场景、尤其是要算坐标和几何关系的，开。让它改一处已经定位清楚的小问题，可以不开，又快又省。

Q：这些评测工具公开吗？ A：目前是我们内部的脚本和数据，没有单独发布。

---

想看改完之后的流程跑起来是什么样，打开工作区点亮「长动画」试一个题目，可以先只出分镜。想读懂它写出来的每一章代码、自己判断哪里画错了，教程的坐标系和图形几课是基础。

来源：极坐标⋅XYZ（jizuobiao.xyz），2026 年 10 月 13 日更新。数据来自 2026 年 10 月 6 日对一部线上长动画的复盘与 17 次画面验收的重放，画面基于 Manim 社区版 0.21.0。