图生视频智能体优化：先把“听话”写成可检查的问题

2026年9月30日根据存留中文稿与核查资料重建修订；并非旧稿逐字恢复。

研究把生成改成反馈循环

原始论文提出先用多模态模型根据语义与瑕疵问题改进提示词，再用贝叶斯优化搜索随机种子与CFG等参数。它研究的是图生视频遵循要求，不保证所有商业接口都开放同样参数。本文没有复现，作者偏好实验不转换成项目成功率。

把动作要求拆成问题

VQOS建议分别写主体、动作、方向、顺序和禁止变化。例如“右手拿起杯子，杯子始终留在画面内，镜头不切换”。再列检查项：是否用对手、杯子是否消失、动作完成了吗？这是虚构任务说明，不是已执行测试。

参考图能证明外观，但不能自行规定未来动作。冲突的画面和文字应先解决。

优化有预算，也有停止条件

规定最多重试次数或总预算，记录每次修改及其原因。不要同时改变提示词、素材与所有参数后，只凭最终片猜哪项有效。看似高评分的候选若仍违反关键要求，应停止扩大生成，回到任务定义或换方法。

最终审核不交给一个分数

连续看动作、遮挡、产品细节和背景，再核对文字与声音。机器检查的问题可能缺少品牌、真实尺寸或安全表达，审核人应补充实际项目条件。

查看VQOS制作服务，在制作需求约定试制、重试费用与验收问题。研究中的闭环思想可用于改善工作方式，不是无人审片或稳定交付的保证。