圖生視頻智能體優化：先把「聽話」寫成可檢查的問題

2026年9月30日根據存留中文稿與核查資料重建修訂；並非舊稿逐字恢復。

研究把生成改成反饋循環

原始論文提出先用多模態模型根據語義與瑕疵問題改進提示詞，再用貝葉斯優化搜索隨機種子與CFG等參數。它研究的是圖生視頻遵循要求，不保證所有商業接口都開放同樣參數。本文沒有復現，作者偏好實驗不轉換成項目成功率。

把動作要求拆成問題

VQOS建議分別寫主體、動作、方向、順序和禁止變化。例如「右手拿起杯子，杯子始終留在畫面內，鏡頭不切換」。再列檢查項：是否用對手、杯子是否消失、動作完成了嗎？這是虛構任務說明，不是已執行測試。

參考圖能證明外觀，但不能自行規定未來動作。衝突的畫面和文字應先解決。

優化有預算，也有停止條件

規定最多重試次數或總預算，記錄每次修改及其原因。不要同時改變提示詞、素材與所有參數後，只憑最終片猜哪項有效。看似高評分的候選若仍違反關鍵要求，應停止擴大生成，回到任務定義或換方法。

最終審核不交給一個分數

連續看動作、遮擋、產品細節和背景，再核對文字與聲音。機器檢查的問題可能缺少品牌、真實尺寸或安全表達，審核人應補充實際項目條件。

查看VQOS製作服務，在製作需求約定試制、重試費用與驗收問題。研究中的閉環思想可用於改善工作方式，不是無人審片或穩定交付的保證。