proposal: 建立生图与视频模型的选型判据与实验规程

[johnnyzhang-eng]

背景

Windup 的 2D 生成链路是：文生图出母版 → i2v 出一段视频 → 抽帧 → 抠图 → 脚线对齐 → 打包。这条链路上游是模型，下游全部是补救。母版与动作帧的质量上限由模型对该动作的理解决定，后处理只能修边角。

当前的模型选择是历史沿用而非测量结果：生图默认 gpt-image-2、兜底 gemini-3.1-flash-image-preview（08-25 起，PR #638；本提案发起时是 gemini-2.5-flash-image），视频固定 kling-v2-5-turbo，时长在 ai_engine/strategy/concrete.py 硬编码为 5 秒。既有的质量判断分散在若干次单点实验里，彼此分母不同、不可复现，也无法预测下一个动作会怎么失败。

同时，主仓已经积累了一批可用的量化能力：成色落库（#322）、可数四问判官（#324）、站位偏离检测（#396）、尺度漂移补偿（#308）、抠图两模型并集（#403）。这些读数目前只服务于单个 PR 的验收，没有被组织成一套可复用的选型判据。

问题

1. 判据不成体系。可算的读数只有若干条，其余靠人工目测，结论不可复现、换人换天会变。
2. 缺少主排名指标。没有一个能把质量与成本合并的口径，导致「便宜」与「好用」无法比较。
3. 候选集受限于已接入的端点。/v1/videos 只服务可灵，其余厂商在 FAL 队列面且 provider 已移除，直接横评会把「没接入」误判为「不值得选」。
4. 时长口径未经验证。一次性动作（attack）在 5 秒内会出现后段冗余，可能触发出画与漂移判据，把动作设计问题记到模型头上。

方案

建立一套模型选型判据与实验规程，产出两张表：生图的「模型 × 画风」适配矩阵，和视频的模型排名。

判据分层

• 硬闸口（纯算法，决定单帧废否）：出画、死帧、多主体、站位漂移、尺度漂移、首帧偏移、时长与帧率履约。
• clip 级闸口（决定该段能否交付）：动作语义正确、循环接缝、步态相位、最小动量。
• 连续读数（纯算法）：分区动量、模糊度、帧间闪烁、身份一致度、角色像素高度、画风保真。
• 语义题（判官）：动作语义、凭空多物、画风相似、刚体守恒。
• 运营指标：调用失败率、审核拒绝率、出片延迟、同输入方差。

主排名指标：单位成本可交付的动作序列数。主分析按 intention-to-treat 计，失败、审核拒绝与超时计入成本且记零产出；仅在成功样本上配对比较会产生幸存者偏差。

判官规程：只问可数的封闭问题；先以人工黄金集标定并公布判官与人的一致率，未标定的判官读数不入账；人与判官均只做配对比较，不做绝对打分。人工投入集中在标定一次与事后抽检，不参与每轮评测。

分期

1. 仪器标定：用既有归档素材在盲验证集上冻结阈值，逐条给出 precision/recall 与人工复核的错例；估计方差并给出最小可检测效应。不产生调用成本。
2. 时长探针：同模型同输入比较两档时长的可交付率与单价。
3. 生图画风矩阵。
4. 视频横评：候选限定为 /v1/videos 可达的可灵系，母版取自第 3 步产物，两期串联而非割裂。
5. FAL 队列面哨兵样本，用于判断是否值得重建该 provider。

不包含

• 不改动生产链路的默认模型与默认时长。本 Issue 只产出判据与结论，切换默认值另立 Issue。
• 不重建 FAL 队列面 provider，只跑哨兵样本。
• 不评价动作节奏。视频输出匀速，节奏由抽帧与引擎每帧时长决定，不属于模型能力。
• 不覆盖三渲二路线。该路线多朝向为本地渲染，不参与按次计费的模型横评。

验收

1. 判据清单落地为可执行的度量代码，每条硬闸口在盲验证集上有 precision/recall。
2. 判官与人工标注的一致率被测量并公布。
3. 产出生图「模型 × 画风」矩阵，每格给出通过率与置信区间。
4. 产出视频模型排名，按主排名指标给出，并显式标注结论适用范围。
5. 时长口径有实测依据，而非沿用默认值。
6. 全部实验可由归档脚本从原始输入重跑出同一组读数。

进度（2026-08-23 更新）

分期	状态	产物
1 仪器标定	进行中，此前卡住	见下「分期 1」
2 时长探针	已跑，结论可用	见下「分期 2」
3 生图画风矩阵	完成	phase1b（n=20）+ 画风分档
4 视频横评	已跑一轮	见下「分期 4」
5 FAL 队列哨兵	已跑	见下「分期 5」

分期 2：时长探针

原设计是「同模型同输入比较两档时长的可交付率与单价」。实跑改用尺度漂移当主判据 —— 可交付率在这几档上全是 100%，分不开；而漂移是用户能直接看到的「忽大忽小」。

同一张首帧、同一条提示词，测主体高占画面高相对首帧的最大增幅：

模型	时长	尺度漂移
veo 3.1	4s	+7%
veo 3.1	8s	+21%
kling-3.0-turbo	3s	+2%
kling-v2-5-turbo	5s	+6%

结论：漂移随时长单调上升。 所以时长是质量参数不只是成本参数 —— 简单循环动作（走路、待机、飞行）取短，复杂一次性动作（攻击、跳跃）才加长。当前 i2v(..., seconds=5) 写死。

时长下限按型号不同：v2-5-turbo / v2-6 最短 5s；o1 / v3 std / 3.0-turbo 支持 3s。3s@24fps = 73 帧，抽 32 帧仍够，但这条要有断言而不是靠巧合。

分期 4：视频横评

原设计限定「/v1/videos 可达的可灵系」。实跑扩到了队列面，因为人工判定最好的型号只在那一面。

同一张首帧（#511 修复后产出：中灰底、主体占幅 42.5%）、同一条产品提示词（用 VideoFrameStrategy._build_prompt 组装，非手抄）：

模型	时长	尺度漂移	人工判定
seedance-2.0	5s	+0%	第二好
kling-3.0-turbo	3s	+2%	最好
kling-v3 std	3s	+3%	把「飞」做成了走路
kling-v2-5-turbo（现役）	5s	+6%	一般
veo 3.1	4s	+7%	强，但约 3 倍价
veo 3.1	8s	+21%	时长越长越放飞
kling-v2-6	5s	+27%	出杂物
vidu q1	5s	+0%	1080p、重构了画面，口径不同不可直比

适用范围（按验收 4 必须显式标注）：n=1、单角色（一只鸟）、单动作（custom「飞」）、单一首帧。这不是模型排名，是一次同条件对照；要成排名需重复次数与多角色多动作，尚未做。

前置条件：首帧主体占幅是决定性的。#511 之前只有 16.2%，模型会自己推镜并重构角色（鸟变成了另一种生物）。所以横评必须在首帧修复之后做，之前的结论不可用。

分期 4：按动作 × 角色铺开之后的第一条硬结论

原先那一轮是 n=1、单角色、单动作，正文里已标注「不是模型排名」。08-24 按 4 角色 × 3 动作 ×
3 模型 × 2 重复重跑（同一套首帧预处理、提示词由 VideoFrameStrategy._build_prompt 生成并存档），
得到一条单动作那轮结构上碰不到的结论：

kling-3.0-turbo 在待机动作上会推镜。

模型	idle 主体放大中位	放大 >30% 的条数	walk	attack
kling-3.0-turbo	23.4%	4/8	1.2%	0.0%
kling-v2-5-turbo（现役）	3.0%	0/8	1.7%	0.0%
seedance-2.0	1.9%	0/8	3.0%	0.0%

读数是主体高占画面高相对首帧的最大放大倍率。最差一条（walker idle）轨迹为
0.626 → 1.000，角色涨满整幅画面；wolf idle 两次分别 +58.9% 与 +47.4%，knight idle +38.8%。
只在 idle 上出现，走路与攻击两个动作三个模型都干净。

机制上讲得通：待机要求原地站立，主体几乎没有可动的部分，模型转而移动镜头。

据此，把生产默认视频模型换成 kling-3.0-turbo 这件事应当暂缓 —— 待机是最常用的动作之一，
按这个比例约一半的待机产出会被重构图。要换主力需先解决这条，或对待机单独走别的型号。

一条判据形态上的更正

同一 payload 重复 6 次测得尺度漂移的变异系数是 50.8%，据此曾判「尺度漂移排不出模型名次」。
那个结论只对「按中位数比较几个百分点」成立。40~60% 的重构图是另一个量级，改用计数判据
（放大 >30% 的条数）就分得很开：4/8 对 0/8 对 0/8。判据形态要跟着效应量走，把
「某个量在某个效应量下排不出」读成「这个量没用」会把真信号一起丢掉。

时长档位：1080p 不改善模糊

同首帧、同提示词、同动作，只差 std(1280×720) 与 pro(1920×1080) 两档，配对 8 组：
羽化边合池 0.777±0.425 → 0.719±0.400，按阈值判「糊」的比例两档都是 25%，差值仅为标准差的 14%。
产物分辨率与码率已核（pro 确为 1920×1080、码率高 40~56%），故测试有效。
交付要降到项目 sprite 画布，源端多出的分辨率在降采样一步被丢弃，升档位不是模糊这条的解法。

分期 5：FAL 队列面哨兵

零成本探活 14 个图生视频端点（空 body POST，400=端点在且鉴权过、404=无此路由；无鉴权对照 401 证明不是网关乱回），全部 400：

• fal-ai/veo3.1/image-to-video、fal-ai/veo3.1/fast/image-to-video
• fal-ai/kling-video/o1/image-to-video
• fal-ai/vidu/q1|q2|q3/image-to-video
• bytedance/seedance-2.0/{,fast/,mini/}image-to-video、bytedance/seedance-2.5/image-to-video
• byteplus/ 下同样四条

结论：值得重建该 provider —— 不只是补能力，而是人工判定最好的型号 kling-3.0-turbo 只存在于这一面，/v1/videos 的 model 枚举里没有它。设计与实现见 #332。

三条实测的接口事实：路径必须带 queue/ 前缀（少了全部 404）；vidu 的 i2v 只支持 viduq1 / q2-pro / q2-turbo / q3-pro / q3-turbo，裸 q2/q3 报 model not found；duration 字段类型不统一（seedance 与 kling-v3 是字符串，vidu 是整数）。

分期 1：已产出第一份 precision/recall（验收 1 可打勾）

用生产语料当盲验证集：43 条 ≥8 帧序列全部人工分型标注（可多选：抠穿 / 边缘 / 糊·画风变 / 变形·身份变 / 抖动·漂移 / 没问题），1 条跳过。类型计数：边缘 23、抠穿 17、糊 17、抖动 13、变形 6、完全没问题 3。

判据	目标	precision	recall	F1
净抠穿 punch_max > 0.02	抠穿	0.88 [0.66,0.97]	0.88 [0.66,0.97]	0.88
净抠穿 > 0（旧规矩）	抠穿	0.47 [0.32,0.63]	1.00 [0.82,1.00]	0.64
|暗边比-1| > 0.15（不可入账）	边缘	0.62 [0.43,0.78]	0.70 [0.49,0.84]	0.66
暗边比 < 0.85（只抓暗侧）	边缘	0.40	0.17	0.24
配色漂移 > 0.30	糊	0.20	0.12	0.15

四条结论，其中两条推翻了既有做法：

1. 净抠穿的阈值应是 0.02 而不是 0。 「判据是 >0 不是幅度阈值」这条规矩来自出画指标，套到净抠穿上是过度泛化 —— 按 >0 判，precision 只有 0.47（19 个误报，多数其实是边缘或抖动问题）；按 >0.02 判，F1 由 0.64 提到 0.88。

2. 边缘这一类目前没有可入账的判据，F1 会骗人。 边缘的正例占 23/42，对每条序列都说「有边缘问题」这个平凡预测器的 F1 就是 0.708（precision 0.548、recall 1.0）。|暗边比-1| > 0.15 的 F1 只有 0.653，低于平凡基线；它的 AUC 也只有 0.581±0.09，排序能力接近随机。

   一条判据必须先赢过平凡预测器才谈得上可用。按这条重看本表：净抠穿 >0.02 的 0.882 与羽化边的 0.703 都高于各自的平凡基线 0.576（正例 17/42），成立；暗边那两条都不成立。

   边缘问题以白边为主这个观察仍然有效（只抓「比内部暗」那一侧 recall 仅 0.17、漏 19/23，两侧都抓才到 0.70），白边＝背景残留没抠净，与抠穿是两个相反方向的病 —— 但把它做成判据需要另一个量，当前这个不够。

3. 糊 / 画风变的判据是羽化边宽。 半透明像素数 ÷ 主体周长 ÷ (√主体像素数/64) ≥ 1.27：留一法 F1 0.703、precision 0.650（CI 0.433–0.819）、recall 0.765（CI 0.527–0.904）、AUC 0.727±0.082。它在一组已知答案的控制样本上两侧全部判对。配色漂移（precision 0.20 / recall 0.12）等同随机，不入账。详见下节。

4. 净抠穿能拒掉孔洞率的闭合形状假阳性。 6 条 punch_max == 0 的序列无一被判抠穿，其中包含孔洞率 20.0% 的 Remove the FennoAI configuration file #33 与 10.3% 的 前端 MS2 初始骨架：目录结构、模块接口与依赖边界 #58 —— 两者人工判定都是边缘问题而非抠穿。这坐实了「孔洞率与净抠穿必须成对读」。

分期 1：糊 / 画风变的判据与机制

判据：羽化边宽 feather_rel = 半透明像素数 ÷ 主体周长 ÷ (√主体像素数 / 64)，逐帧取中位，
阈值 1.27，≥ 判「糊」。误报 7 条、漏报 4 条，逐条见归档。

机制：边缘从硬阶跃变成渐变，根因即 #475 定位的那条 —— 像素画项目的 game_style 为空，
出口跳过像素化，序列帧走 LANCZOS 重采样。

已知答案的控制样本，两侧全部判对。 归档里有同一条序列（#64）三帧的「交付」与「按母版色板
补做像素化后」两份。像素化后的画布是 60×50~74×45，先按 NEAREST 放大到主体像素数与交付帧
相当再量（否则量到的是尺寸不是画风）：

帧	交付	像素化后
0	3.634	0.933
8	3.215	0.990
16	3.404	0.970

它不是在测暗边：对 halo 标签的 AUC 只有 0.487，等同随机。

分期 1：一条标定集分数更高、却被控制样本否决的判据

色阶负载 主体内亮度落差 ÷ √主体像素数，在同一标定集上 AUC 0.889、留一法 F1 0.769，
两项都高于上面那条。但它过不了同一组控制样本：像素化修复之后读数反而由 1.83 升到 2.10、
仍判「糊」。原因是它跟的是对比度，而像素化把色板吸附到两端之后对比度是上升的（154.9→179.0）。

标定集上分数更高、却测不到机制的量，不入账。 一条有独立已知答案的控制样本，否决权高于
在 42 条样本上挑出来的 AUC。

两个可迁移的仪器教训：

1. 整幅统计量测不到局部退化。 主体对比度单用能到留一法 F1 0.750，但它是整幅统计量，
   物理上够不着「手持道具糊掉」这类局部缺陷——是相关不是机制。
2. 筛样本的条件不能与被测量相关。 分块量过渡带宽度时设了「块内落差 ≥15 才计入」，而糊本身
   会压平落差 → 糊掉的块被门槛排除 → 只剩仍锐利的边被量到 → 读数方向整体翻转（AUC 0.31~0.46）。
   同批还栽过一次「块须 75% 前景覆盖」，把又细又贴轮廓的手持道具排除。门槛与被测量相关时应改为
   权重，而非排除。

尚未查清：feather_rel 对 cut 标签的 AUC 是 0.741，与对 blur 的 0.727 同量级，而两个标签在本集
共现 11/17，分不开；去掉带 halo 的序列后只剩 n=19、糊 6 条，AUC 0.628±0.145，区间很宽；控制样本
只有一条序列三帧。

归档：模型选型实验/糊判据_20260823/（calibration_final.json 定稿判据、控制样本读数与被否决
判据的理由；README.md 列出全部 30 个候选量各自的 AUC 与留一法 F1）。

样本量限制要说清：43 条中「完全没问题」只有 3 条，正负极不平衡；precision 的置信区间下界普遍在 0.4~0.66。这一份能支撑「哪条判据可用、阈值取多少」，不足以支撑跨模型或跨版本的比较。

归档：模型选型实验/抠图分型标注_20260823/（labels.json 人工标签、calibration.json 逐条读数与错例、items.json 样本与三组量、index.html 标注页可重跑）。

分期 1：原卡点（已绕开）

卡了三天，卡点是 phase0/标注/标注表.md 那 90 条人工标注一条都没填 → 没有 precision/recall → 不敢给任何指标定阈值 → 验收 1 过不了。

改用生产语料当盲验证集：现有 197 条已完成任务、1714 帧真实产物（工具见下），比当初造的合成标定集更贴近交付物。已按孔洞率分层抽出 20 条序列（低 7 / 中 6 / 高 7，覆盖 0.11%~67.95%）送人工标注 —— 只问一个离散事实「这条序列的抠图有没有明显问题」，不问程度分档（程度分档三次尝试全失败，见分期 3 报告）。

两个仪器坑已写进工具 README，复用时先读：

1. 86% 的存量母版整幅不透明（08-19 及以前），孔洞率 / 净抠穿 / 出画在它上面恒读 0 或恒触边。不剔掉会把基线压向「很好」
2. 孔洞率与净抠穿必须成对读。孔洞率对闭合形状假阳性（挥舞拖尾把背景圈住，一帧读到 73.2% 实际没坏）；净抠穿对暗部褪色是盲的（真退化只读 0.1%），而暗部褪色正是 i2v 序列中后段角色本体破碎，表现为抠图抠穿 #497 的机制

另一个仪器教训（花了真金白银才发现）：两组样本尺寸不同时，几乎任何量都会「完全分开」，分开的是尺寸不是被测属性。做像素画判据时非像素组全是 1024px、像素组全是 256px，读出三个「完全分开」的假信号；把非像素组缩到 256 后全部重叠。

归档

• 产物基线工具：工具/产物查看器/（fetch.py 拉产物量读数、metrics.py 尺子、baseline.py 出基线、deploys.py 部署时间线；README 记着上述仪器坑）
• 横评产物：_参考资料/角色成品归档/鸟_模型横评_20260821/（8 条原视频 + 共同首帧 + 逐条读数）
• 标注集：模型选型实验/抠图标注_20260823/

按验收 6「全部实验可由归档脚本从原始输入重跑出同一组读数」：基线与横评的读数都能由上述脚本重跑，标注集的人工标签随集合归档。

[johnnyzhang-eng]

仪器标定已开工，首轮结论是判据本身还不能用：现有归档素材的提示词版本、抠图版本与画布各不相同，其中被当作反例的那条主体抠图有近两成被打穿，据此得出的读数测的是抠图故障而不是模型。归档能提供正例，提供不了处理同质的配对反例，因此改为按已知失败配方现造一组配对样本，把提示词版本与管线 commit 一并钉住后再冻结阈值。进度与读数会持续更新在本条下面。

[johnnyzhang-eng]

标定集已按冻结的提示词与 commit 造好，两臂唯一差异是母版朝向，抠图后主体内孔洞 0.40%，_bg_key 返回 None 的帧 0/16，没有踩 #278 里那条非纯色底导致两层后处理静默失效的坑。

但这批样本没能验成步态指标，原因不在指标：逐帧看全片，选错母版那一臂确实在前三分之一转身，而 pick_cycle 从转身之后取单周期、把转身整段裁掉，交付的 16 帧与对照臂几乎无异。也就是说母版选错这件事在视频层可见、在交付帧层不可见，pick_cycle 把它救了回来，代价是一段付费视频的前三分之一被消耗且下游看不到母版选错了。这属于产品判断，不在本 Issue 范围内定，需要的话另开一条。

[johnnyzhang-eng]

生图这一轮跑完了三个模型各八张，有两条结论值得先同步。

一是三个模型都出不了正侧视母版。人工标 24 张只有 1 张是纯侧面，其余是身体朝右但转向观众的四分之三；方向倒是没问题，判官判 22/24 朝右且与人工一致。这不是模型之间的差异而是共同的天花板，而 walk 母版必须朝侧向是我们已经写死的契约，正面或四分之三母版会让模型靠转身去调和图文矛盾。也就是说母版这一步目前拿不到合格的侧视姿态，得靠参考图或别的手段补，不是换个模型能解决的。

二是判官在"侧视程度"这类程度分档上不可用，三次尝试的一致率分别是 25%、50%、43%，第三次已经把人工用的几何判据原样写进提示词。同一个判官在"朝哪边"这种离散事实上是 22/24。所以判官规程要加一条：只问离散事实，不问程度分档。侧视程度这条读数改由人工抽检，理由是它在排名里也用不上——三个模型的正侧视率都接近零，它区分不了模型。

另外分辨率那条轴确实生效，要 32px 时像素块更大、64px 更小，三个模型方向全对；但都不履约绝对值，实际逻辑高比要求的大两到三倍，且三个模型都不做限色，色数全部顶到 256。

[johnnyzhang-eng]

补了 08-21/22 的进度：分期 2、4、5 都已跑完并写进正文，分期 1 改用生产语料当盲验证集（197 条任务/1714 帧），已抽出 20 条分层样本送人工标注。分期 4 的结论显式标了适用范围——n=1 单角色单动作，是同条件对照不是模型排名。

[johnnyzhang-eng]

分期 1 有第一份 precision/recall 了：43 条生产序列人工分型标注，净抠穿的阈值应取 0.02 而非 0（F1 0.64→0.88），「判据是 >0」那条来自出画指标、套到净抠穿上是过度泛化。边缘问题以白边为主不是暗边，只抓暗侧漏 19/23。糊/画风变目前没有可用的量，precision 0.20、recall 0.12。

[johnnyzhang-eng]

08-24 那轮时长与模型共线：3.0-turbo 全 3s，v2-5-turbo 与 seedance 全 5s，idle 三组各 n=8 也是这个分布。方向上混杂解释不了这个结果——分期 2 的结论是漂移随时长上升，而 3s 那组反而最大，所以推镜归给模型站得住；但表里建议补一列时长，否则读者判断不了这一点。