为了一段演示，停更两个月

这两个月我一篇都没写。这不在计划里。

七月的时候我讲过 MoVox 是什么：它会读，会说，也会剪，只是画面那一块还是灰底板。我当时还说，接下来要分别写许可、硬件和技术栈。结果一篇都没写，我转头做演示去了。

我想要的，是一段能放到网上的片子。从一回书里截三十秒，屏幕上是水墨，有声音在念，字幕跟着念到的字走。主页上到现在还留着一块空位，写着”演示片段即将上线”。我实在不想对着那块空位，继续一篇接一篇地往下讲。

我没想到的是，光是画出一组我自己愿意验收的图，就把整个夏天剩下的时间都搭进去了。

这是那段时间里的第一篇笔记，一共四篇。另外三篇，一篇讲那本书，一篇讲声音，还有一篇讲我现在同时在用两台电脑。这几件事放在一起讲不清楚，所以分开写。这一篇，讲的是我为什么停更。

灰底板换成了画。可它还不是演示。

作画智能体那个位置，七月还是个空壳，现在坐进去了一个真正的图像模型。我做了一个验收页面，角色的脸、道具，我一张一张看，行就过，不行就打回去。还有一道工序会把一回书读完，定下每一幕里有谁、各自站在哪儿，再让模型画一张关键帧（keyframe）。剪辑智能体七月只能把声音和字幕铺在空白底板上，现在底下垫的是画了。

所以第一回有画了，72 幕，一幕不少。上周我坐下来，把这 72 张一张一张亲手审了一遍。审完我就知道，这些画一张都发不出去。

72 张里，我标了 29 张。本该是结义兄弟的两个人，长着同一张脸。关羽的青龙偃月刀，刀柄短了一大截。一个人明明在一顶帐篷里说话，几秒钟之后就换到了另一顶帐篷里，因为他那段长独白被切成了两半，每一半各自配了一间屋子。该有三个人的场面，画面上只有一个，神情还有点茫然，好像另外两个刚出去了。

这些都不是”模型不会画水墨”。画本身往往挺好看的。可是好看又画错了，比灰底板还糟，因为灰底板至少不会假装自己已经画好了。

我花了好几个星期去调那个画画的模型。可很多时候，是交给它的题目本身就出错了。

这句话，我真希望八月一开始就想明白。

光说道理太容易，我们拿一个具体的例子来看。第一回，卢植在帐中说话：一个人，一顶帐篷，一段话，书里并没有让他挪地方。可流水线还是把这段话切成了两幕，原因只是这一段的音频太长；而每一幕的场景，又都是从一张白纸开始各自编出来的。于是前一幕是”军营帐内，夜色沉沉，帐中点着几盏油灯”，后一幕是”一间低矮的军帐内，烛火微弱”。同一顶帐篷，画成了两间屋子，话说到一半人就换了地方。这两帧我都标了。有一阵子我还以为是图像模型看不懂中文。其实不是。写画面提示词（prompt）的那一步，从头到尾只看得到眼前这一幕，这一回前后发生了什么，它根本看不到。所以连续性不是做得差，是从设计上就没有。

这一处后来修好了。话长，可以拍成两个镜头，因为音频就是那么长；但不能画成两张画。同一个人、同一个地方、一口气说下来的一段话，两个镜头共用一张关键帧，变的只是镜头的运动。时间上怎么切，照旧；多出来的那间屋子，不要了。

再说三兄弟。刘备、关羽、张飞是结义兄弟，书里常常只写”三人”，因为读者看了上文，自然知道是哪三个。流水线却不知道。它对”这一幕准许谁上场”只记得上一幕。只要中间插进一幕只有刘备开口的戏，这份记忆就被清空了。下一幕再写”三人”，名单里能用的名字只剩刘备一个。于是提示词开头明明写着要画三兄弟，递给模型的参考图却只有一张。

我原先一直把”三兄弟的脸糊成一个人”当成画画的问题来对付：加遮罩，多给几张参考图，换着法子把三张脸塞进同一次生成里。其中有一部分确实是画画的问题，而且到现在还没解决。可是等我回过头去查模型到底被要求画什么，才发现 72 幕里，有 13 幕的提示词要画的人，名单里根本没有。叫它画三个人，只给它一张脸。换一个再好的模型，也变不出名单里没有的那两个人。

修法一点也不花哨，就是几行规规矩矩的代码，而不是更聪明的提示词。这个项目里真正管用的修复，大多是这个样子。记住最近五幕，而不是只记一幕。书上写着三个人，出场名单就不许少于三个。名字缩成一个字，比如”玄德谓关、张曰”里的”关”和”张”，也要认得出来。改完以后，这类冲突从 13 幕降到了 6 幕。剩下的 6 幕是另一个问题，而且更麻烦：角色表里只收开口说过话的人。一个人发号施令、上阵厮杀、最后战死，只要他没有一句”曰”，角色表里就没有他，模型手里自然也就没有他的脸。这个还没修。

修完还有一个副作用，得说在前面。要画三个人以上的场面，从 15 幕变成了 24 幕，这一回看上去反而更差了：以前少画两个人，画面还干干净净；现在真去画三个人，脸就开始糊在一起。这个交换我认。少画的人，后面再也补不回来；脸重复，至少是一个已经知道的问题。我之所以要特别提一句，是因为你要是只看我标了多少帧，会觉得这次修改是在倒退。但是那个数字，不是结论。

一个数字，往往不是结论。

我还做了另一个智能体，用的是视觉模型（vision model），专门看画好的帧，把坏的挑出来。不然每天晚上 72 张图，只能靠我一双眼睛。它不是流水线上新添的一道工序，主页上那五个位置，还是那五个环节；它是坐在验收关口上，陪我一起看的。然后我自己把第一回 72 张全部审了一遍，拿来和它对。

我标了 29 张，它标了 21 张。两个数看着挺接近，其实差得远。我标出的 29 处毛病，它漏了 15 处；另外还多标了 7 张我觉得没问题的。召回率（recall）48%，也就是真毛病它抓到了多少；精确率（precision）67%，也就是它标的里面有多少是真毛病。两个总数之所以凑得那么近，是因为漏掉的和多标的正好互相抵消了。两边只要有一方标过的，一共 36 张，双方意见一致的只有 14 张，也就是 39%。

这个审查智能体我还在用，但它只是帮我先筛一遍的工具，不是一把量尺。问题是，在这之前我已经拿它的计数判过好几次实验的输赢，其中有一次，两边只差了 38 帧里的 2 帧。两帧，根本就在误差范围之内。那次实验测到的，不是我以为它测到的东西。这一点我不打算粉饰。

同样的错误，我在文字那一头也犯过。那是下一篇的内容，这里先不抢它的结论。简单说就是：一个看上去很健康的数字，底下可能是一团乱麻。这件事，我已经在同一条流水线的两个不同位置上，各撞见了一次。

看着像提示词没写好的问题，有时候跟提示词根本没关系。

有两个问题，实打实地花掉了我好几个星期，这里简单说说。

张飞的丈八蛇矛。一开始道具描述里写的是”矛头呈三棱形且宽大锋利”，模型就老老实实照着画，结果他出场的每一幕，手里拿的都是一把带倒钩的戟。我改成”细长如蛇身蜿蜒”，这回倒好，它真画了一条蛇，盘在矛杆上。书里兵器的名字大多是比喻，模型却只认名词。“不”字也是一样：在正向提示词里写”不要什么”，等于亲手把那个东西塞了进去。它听不见那个”不”，只听得见后面的名词。

关羽的青龙偃月刀，我只想把刀柄加长，别的一概不动。可图像模型就是改不了比例：一次编辑的力度大到能把刀柄拉长，刀头也就跟着重画了。最后我写了一小段程序，直接在像素上把刀的下半截顺着刀杆往下挪，画里别的地方一笔不动，只是刀变长了。量长短这种事，该用尺子，而不是扩散模型（diffusion）。

所谓”演示还要再等等”，实际上就是这个样子。不是卡在某一个难题上，而是一大摞问题，看上去全是”这张画画错了”，可真正出在画画模型身上的，只有其中一部分。

剩下的，是我暂时还没法用一条规则解决的那个。

刘备、关羽、张飞三个人同框，画出来总是不像三个不同的人。同一个时代，在模型对这部书已有的印象里，脸差不多，胡子也差不多。水墨也帮不上忙，它不画毛孔，也不画能让人认出是谁的下颌线，给你的只有颜色和一个轮廓。三个人挤进同一个镜头，图像模型就开始把他们平均成一个人。

模型能接收的参考图只有三个位置，放的是我验收过的角色图，用来告诉模型这一帧里的人是谁。我原先是按谁在整部书里分量更重来排这三个位置的。结果这一幕真正的主角，如果在全书里只是个配角，就排不上号，画出来成了一个面目模糊的路人。改成按这一幕里谁更重要来排，这一类画面就好了。可是对三兄弟没用：他们三个都是主角，三个位置刚好放得下，偏偏第三个位置是最弱的。最近一次出图还暴露了一个坑：要是从名单里拿掉第三个兄弟，句子里却还写着”三人并肩立”，模型并不会回头去改那句话，而是干脆放弃这个站位，另画一个场面。渲染这一步能删掉一个分句，却没办法让前后的文字跟着改过来。

长远看，出路不在这三个位置上，而是角色 LoRA。LoRA 是 Low-Rank Adaptation 的缩写，中文叫低秩适配，说白了就是一次小规模的微调（fine-tune）：现成的图像模型整体不动，只教它记住某一张脸，以后画这个人都带着这张脸，而且不占那三个参考图的位置。可是每一位兄弟，我手上验收过的图都还不够训练一个。所以这条路先放着，还没开始。名字写在这里，不等于已经做出来了。

眼下我选的是另一条路，靠的不是模型，而是分镜。每一帧里能认出脸的人最多两个，留给正在说话的那一位。真正非三个人不可的场面，比如桃园结义，就从背后拍。这是个权宜之计，我自己清楚。但我宁可先交出一个可用的权宜之计，也不想干等着一套训练数据。

还有一件事，得老实交代。

这几个星期，我一直在把一张张静止的画打磨得更好，却一次也没有把一整回从头到尾看完过。等我终于退后一步，把整条流水线从头看一遍，该先做什么其实一目了然：先让一整回能播起来，毛病全带着也无所谓，然后坐下来看，看完再决定哪些值得修，而不是对着一整页缩略图去判断。现在第一回已经能从头播到尾了：有画，有声音，有字幕，每张画上镜头还会慢慢推移。我也拿动画智能体要用的模型，试了几张关键帧：画动起来以后，人脸和水墨都还在，只有一场所有东西都在动的战斗戏没撑住。

所以，现在有一回能播的片子，但还是没有一段我愿意发出去的。没经过我验收的画，我不会发。

七月说好的许可那篇，还欠着，没打算不写。只是消失了两个月，回来第一件该讲清楚的事，不是它。

下一篇回到那本书。七月里我说阅读智能体已经能用了，可那时候的”能用”，其实是 99.96%。差的那一点点，就不是原来那本书了。