画像生成動画エージェントの最適化：「指示に従うこと」をまず検証可能な問題にする

2026年9月30日に保存された中国語原稿と検証資料に基づいて再構築・改訂されたものであり、古い原稿の文字通りの復元ではありません。

研究は生成をフィードバックループに変更する

オリジナル論文では、まずマルチモーダルモデルを用いて意味論や不具合の問題に基づいてプロンプトを改善し、その後にベイズ最適化を用いてランダムシードやCFGなどのパラメータを探索することを提案しています。これは画像生成動画が要求に従うことを研究したものであり、すべての商業用インターフェースが同じパラメータを公開することを保証するものではありません。本記事は再現したものではなく、著者は実験がプロジェクトの成功率に変換されないことを好んでいます。

動作の要求事項を問題に分解する

VQOSでは、主体、動作、方向、順序、および変化の禁止をそれぞれ記述することを推奨しています。例えば「右手でコップを持ち、コップは常に画面内に留まり、カメラは切り替わらない」などです。さらにチェック項目を列挙します：手を使っているか、コップが消えていないか、動作は完了したか？これは架空のタスクの説明であり、実行済みのテストではありません。

参照画像は外観を証明できますが、将来の動作を独自に規定することはできません。矛盾する画像とテキストは最初に解決する必要があります。

最最適化には予算もあり、停止条件もある

最大再試行回数または総予算を規定し、各修正内容とその理由を記録します。プロンプト、素材、およびすべてのパラメータを同時に変更した上で、最終的なクリップだけでどの項目が有効であったかを推測してはなりません。高得点に見える候補であっても、依然として重要な要求に違反している場合は、生成の拡大を停止し、タスクの定義に戻るか、方法を変更すべきです。

最終審査を1つのスコアに委ねない

動作、遮蔽、製品の詳細、背景を連続して確認してから、テキストと音声を照合します。機械によるチェック項目には、ブランド、実際のサイズ、または安全性の表現が欠けている可能性があり、審査員は実際のプロジェクト条件を補足する必要があります。

VQOS制作サービスを確認し、制作依頼で試作、再試行費用、および検収の問題を取り決めてください。研究におけるクローズドロープの思想は作業方法の改善に役立てることができますが、無人での審査や安定した納品を保証するものではありません。