AI
弄清影片模型從你的指令裡取走什麼、自行補上什麼，以及為什麼一格影格看著可信，整段鏡頭仍可能無法使用。
AI 影片生成不只是提示詞#
AI 影片生成依據學到的規律和你提供的指令，造出一個可能的運動場面。提示詞總會留下未明確的細節：袖子怎麼折、手後面藏著什麼、反光會走到哪裡。看清這些空隙，你才能導演並審看一個鏡頭。工作台裡的具體步驟，見第一支影片指南。
設想修理台上有一隻虛構的發條鳥。你希望黃銅翅膀抬起，同時攝影機保持不動。這是一次未實測的概念練習，沒有附帶任何已生成的示範。我們用這個瞬間，把經常混在一起的五個概念拆開。
條件給模型證據#
條件是指提供會影響生成的資訊。文字可以點明一個動作，圖片可以確立外觀。這些輸入必須先變成數值，模型才能使用。在已發表的 Video Diffusion Models 研究 (在新分頁中開啟)裡，條件與正在被細化的帶噪影片一起進入網路。這描述的是一種有文獻紀錄的設計，不是每一家商業模型的實作。
對這隻鳥來說，「黃銅翅膀」說的是材料和部件。一張參考圖還可以顯示鉸鏈位置和刮痕。兩者都不會告訴模型，看不見的機構究竟怎麼動。先決定每項要求由哪一份證據承擔：外觀交給圖片，你要求的變化交給提示詞。
這段原創指示讓鳥與墊子的接觸始終可見。即使金屬看起來很吸引人，鳥一旦漂起來，你也有具體的理由拒絕它。
取樣造出一個結果，檢索是找到一個#
檢索是找到已有的東西，像在影片資料庫裡搜一段影像。取樣是從模型學到的分布裡產出一個結果，也就是模型學到的一系列可能情況。按 Ho 與合作者的論文 (在新分頁中開啟)所寫的擴散做法，生成從雜訊開始，在給定條件下反覆細化，直到成為一段影片。
這個區別在給回饋時很要緊。在資料庫裡，「找出翅膀抬起來的那條」說得通。在生成裡，你必須先定義怎樣的抬起才算能用，再去檢查這一版片段。取樣也不確立原創性或權利許可；它描述的是機制，不是授權。
擴散只是一種有文獻紀錄的做法，不能穩妥地假定每個模型都如此。Stable Video Diffusion (在新分頁中開啟)描述的是在壓縮視覺表示裡生成，並在圖像模型基礎上加上時間層。單看產品介面，看不出它的架構。
時間一致性是變化之中仍然對得上#
時間一致性是指細節隨時間推移仍然彼此相容。翅膀的角度在變，鉸鏈應當還在；鳥的影子應當跟著這個運動走。Ho 與合作者描述的時間注意力，是把各影格之間的資訊連起來。一段影片不必先生成互不相關的畫面，再事後拼接。可看該研究的架構 (在新分頁中開啟)。
審看時跟著一個固定的觀察點走，不要只評整體好不好看。從第一格影格追到最後一格，看鉸鏈還在不在。再看腳有沒有貼著墊子。開頭和結尾都像那麼回事，中間仍可能斷掉：翅膀短暫脫離，然後又回來。所以完整播放，和挑一張縮圖，是兩種不同的檢驗。
隨機性解釋差異，解釋不了每一次失敗#
在擴散流程裡，隨機值會影響起始雜訊。如果所用工具提供 Seed 設定，Seed 就控制這條隨機序列。Hugging Face 的可重現文件 (在新分頁中開啟)說明，即使 Seed 相同，執行條件一變，結果仍不能保證一致。
把再跑一次當成另一版片段，不是一條糾正指令。如果好幾條都把翅膀放在錯誤的一側，先檢查參考圖的角度和措辭，再要求更多條。留下輸入和設定紀錄，才能分清你改的是要求，還是只是在試另一種可能。Seed 無法充當可複用的角色身份標識。
為什麼參考圖不能保證這個鏡頭#
一張靜照只給出某一瞬間的一個視角。這隻鳥的底面、被擋住的鉸鏈，以及接下來翅膀會到的位置，都不在裡面。實際推論很直接：模型必須補上這份證據之外的細節。要求一個反打角度，會比保持現有視角引入更多未知。
修改之前先把要求分開。如果開場剪影就不對，重新考慮輸入。如果身份還在、翅膀卻在空轉，就把動作簡化。如果鏡頭在攝影機繞到背後之前都成立，可以考慮固定機位。這些是收窄不確定性的辦法，不能保證模型完全按要求生成。
常見問題#
更長的提示詞能去掉不確定性嗎？
只有新增的詞解決了一個看得見的含糊時才行。先寫明哪一側翅膀在動，再去加氣氛形容詞。下一版片段上，仍檢查同一個鉸鏈和接觸點。
