AI 视频模型选型:测你的镜头,别测演示片

每个新发布的视频模型,都附赠同样的三秒钟:一张脸在黄金时刻的光线里转向镜头,皮肤质感无可挑剔,背景的运动模糊恰到好处,看着就很贵。它确实不错。但它也完全没告诉我:这个模型能不能在客户 logo 待在一角的情况下,把一个说话人镜头稳稳撑满八秒;或者到第三版修改时,产品特写里的那双手还在不在。

我曾凭着这类片段换过模型。有两次是错的,代价不在订阅费——而是一周时间,用来重新学语法、重写那些本来已经能用的提示词。所以,对现在正被人劝着换模型的任何人,我想说的是:两支模型在演示片里呈现出的差异,对你手头的项目几乎没有预测力。不是因为演示片造假,而是因为它们是在你不具备的条件下做出来的。

演示片回答的是另一个问题

你看过的每一支演示片,都是用最优输入、在没有任何交付约束的情况下做出来的。

最优输入意味着,参考帧是由一个已经生成了几十个版本、并且知道哪一版扛得住的人挑选出来的。提示词经过许多轮调校,你看到的那支片段是其中最好的。用这种方式展示模型没有错。但这也是一项和你雇佣这个模型去做的事完全不同的任务。

没有交付约束,意味着没人要求出一版竖屏裁切。没人要求这个镜头落在 6.5 秒而不是 8 秒。没人需要同一张脸在一组镜头里连续撑过十一个片段,也没有客户要求产品标签在第四秒时必须清晰可读。

演示片回答的问题是”这个模型的上限有多高?”你要问的是”它的良品率是多少?”这是两个不同的数字,而它们给模型排出的名次常常并不一致,不足以让其中一个替代另一个。

对比测评视频是更弱的信号

官方演示至少出自打造这个模型的人之手。对比视频为了好看而剪,也就是说,这种剪辑恰恰删掉了你需要的信息。并排对比永远不会给你看第四次尝试。你想知道的是:为了得到你正在看的这支片段,试了多少次——而这个数字是剪辑台上第一个被丢掉的东西。

这个体裁帮不上你,还有一个结构性的原因:”两个都不错,取决于你拍什么”这种结论没人点。这不是恶意,而是筛选。这个体裁天生就是为了产出一个赢家,而你的项目未必是那个赢家为之而生的项目。

真正能预测你项目的指标:良品率

对某个特定镜头类型和某个特定模型来说,良品率就是每产出一个可用结果所需的尝试次数。如果一个模型第一次尝试就能拿到可用的一条,另一个需要三次,那么你最常用的那种镜头,时间成本就差了三倍——放到一个二十个镜头的项目里,这个差距就是你整个排期。

峰值质量和良品率相关,但不是一回事,两者发生倒挂的情况足够常见,所以你没法用一个替换另一个。能预测你交付的,是你在最常拍的三种镜头类型上的良品率。这个数字,用你自己的素材,一个下午就能算出来。

测试方法:三种镜头类型、两个模型、各试两次

1. 挑三种你真正会拍的镜头类型

三种,不是一种;而且要是类型,不是单独一个主打镜头——单个镜头会走运,一个镜头类型则把运气平均掉。

如果你的活和我差不多,这三种是:说话人中景(脸稳不稳、口型对不对、细微动作自不自然)、手部特写(精细细节翻车最响的地方——拿产品、做手势、手指靠近物体),以及环境转场(镜头穿过一个空间,没有主体来分散你对画面扭曲的注意力)。如果你一半的产出是产品转台或倒食物这类镜头,那就测那些。具体分哪几类,不如这条规则重要:它们应该是你生成得最频繁的镜头,而不是最好看的镜头。

2. 动手之前先冻结提示词骨架

把脚手架写下来,在两个模型上逐字复用。我用的骨架长这样:

[shot type], [subject + wardrobe], [framing/lens], [camera move], [lighting], [motion beat across N seconds], [style], [negatives]

重点不是这个骨架是世上最好的。重点是它在模型 A 和模型 B 之间保持不变——否则你测的是自己的提示词写作水平,不是模型。只在平台强制要求的地方调整语法(运镜关键词、画幅比例参数),这个调整做一次,然后锁死。如果你不想从零搭脚手架,awesome-prompts.com 上有现成的、面向图像、视频和音乐工作的版本;我就把其中两个存在笔记文件里,专门用于这件事。

3. 每个各试两次——并把失败记下来

三种镜头类型、两个模型、各两次尝试:一共十二次生成。小到可以在后台挂着客户电话会议时跑完,大到足以把”走运”和”还算稳定”区分开。

两次是刻意的。一次分不清运气和稳定性,五次就开始测上限了——而那个数字你从演示片里已经有了。

记录比生成本身更重要。对十二次中的每一次,写下三件事:

  • 在第几次尝试拿到了可用结果——第一次、第二次,还是始终没有
  • 其余几次具体失败在哪:人物相貌漂移、手部糊掉、背景扭曲、运镜被忽略、时长被截短
  • 它有没有过你真实约束这一关——画幅比例、目标时长、与序列中上一个镜头的连贯性

4. 按最常用镜头加权,给”尝试次数 / 可用产出”打分

做一个三乘二的表格。行是镜头类型,列是模型,格子里填第一次 / 第二次 / 出不来。

然后加权,而不是数个数。如果你大部分交付都是说话人镜头,那说话人这一行就决定了结论,另外两行只是用来打破平局。如果配比均匀,就把尝试次数的序号加起来,取总数更低的那个。这个练习的产出,是一句你能说出口的话:”对我来说最常用的三种镜头,这个模型大概在第 X 次尝试时能给我可用的东西。”

我用的决策规则

在我最常拍的镜头上,可用产出所需尝试次数更低的那个胜出——哪怕另一个模型最好的产出更好看。交付是按实际拍出来的镜头评判的,不是按我想象中的镜头。

如果两个模型在整个表格上相差不到一次尝试,我不换。重新学语法、重写提示词库、重新测每一个模板——这是实打实的成本,而且它从来不会出现在演示片里。

我不会因为一条新闻就换。我在表格这么说的时候才换,或者当某个需求要求一种两个模型都做不出来的镜头类型时才换。

一个样样都只是还行、却很少翻车的模型,胜过一个上限惊艳、但五次里只有一次能用的模型。前者让我敢报交期。

什么会让这个测试失效

十二次生成在统计上证明不了什么。把它当作过滤器,而不是判决——它的设计目的,是在一小时内毙掉一个明显错误的选择,而不是让你在糟糕的一个季度里才发现问题。

语法不匹配是另一个陷阱。如果某个模型要的是一套确实不同的提示词方言,在冻结骨架之前,给它一轮公平的适配,否则你最后测的是自己的生疏。

脏输入也会毁掉它。如果你的参考是一张模糊的截图,两个模型都会失败,而你会怪错东西。干净的输入对良品率的提升,比大多数换模型都大。

而且表格会过期。如果你这个月测了三种镜头类型,下个月你的需求变成六种,那就在你的工作形态变了的时候重测——而不是在新闻变了的时候。

交付前一晚会冒出来的问题

如果两个模型在第二次尝试都给不出可用镜头怎么办?

先怀疑模型上游的所有东西:参考帧、画幅比例、时长。一个需要九秒连贯运动的镜头,往往要拆成两次生成再剪到一起。在断定两个模型都不行之前,用更干净的参考和更短的时长把同一段提示词再跑一遍。时长是你能改动的最便宜的变量。

测试该用参考图还是纯文本?

用你在实际生产中真正会用的输入来测。如果你的流程从生成出来的静帧开始,就从静帧开始测——纯文本的结果会更惊艳,但意义更小。如果你是在另一个工具里生成那些静帧,那个工具好不好,和该买哪个视频模型,是两个独立的问题。

我应该多久重跑一次?

当某种镜头类型在你的工作里变得常见时,当你即将签约年度套餐时,或者当一个错误选择会让你付出重拍代价时。就这些。不是每次发版。

下次再有片段让你想换模型,把它存下来——但别据此行动。演示片是对上限的一种宣称。唯一能预测你项目的,是在你自己的素材上、在你最常用的三种镜头上、在符合你预算的尝试次数下发生的事。今天就把那三种镜头挑出来,赶在下一个发布公告落地之前。答案通常没有信息流里那么戏剧化,也比在交付途中才发现要便宜得多。