H3 电影级提示词质量评分 Benchmark

用于评估 h3-prompt-writer skill 产出的提示词质量。依据来自 h3-prompt-guide.md（H3 官方方法论）

• 通用电影摄影语言体系 + Veo/Seedance/Kling 等主流文生视频模型官方提示词指南的综合调研，调研全文见 <code>deep-research-cinematic-prompt.md</code>（调研 产出，非项目权威文档，仅作依据存档；正式结论已经吸收进本文件和 h3-prompt-guide.md）。

打分方式

• 满分 100（纯文生模式满分基数 92，最终分 = 实得分 / 92 × 100，因为「8. 素材引用规范性」8分不适用）。
• 第 10 维「输出格式合规性」是硬性 gate，不计入百分制：不合规直接判定本次测试不合格，需先修正 技术参数（分辨率/帧数），修正后再进入其余 9 维打分。
• 维度 1/2/6/7 是硬门槛型：这几维任一维度得分低于该维满分的 50%，即使总分凑够 95，也判定不合格 （防止"总分刷上去但关键维度烂"的情况）。
• 目标：skill 产出的提示词稳定拿到 ≥95 分（且不触发硬门槛熔断）才算通过。

评分维度

1. 三段公式完整性（14分，硬门槛）

• 参考素材说明处理正确：有素材写清楚每个 @图片N/@视频N 的用途，无素材合理整段跳过（3分）
• 核心创意句五要素齐全：主体(1)+地点(1)+事件(1)+题材风格(1)+运镜(1)（5分）
• 画面过程说明存在且按时间/分镜组织，结构清晰可辨认（3分）
• "想要"与"不想要"两部分区分清晰，不混写（3分）

2. 视觉具体化程度（14分，硬门槛）

• 全篇无"意会型"抽象比喻（如"仿佛""某种感觉""有灵魂"）：零处扣分满分，每出现一处扣2分（6分）
• 关键视觉元素（颜色/材质/光影方向/质地/尺寸）有具体可视化修饰，覆盖率高（8分）

3. 镜头语言专业度（10分）

• 使用了准确的景别术语（英文或中文均可，如"中景""close-up"）（2分）
• 运镜术语具体化拆解，不写笼统的"环绕运镜"这类词（如写成 truck left+pan right）（3分）
• 光线/构图/色彩分级术语覆盖至少2类（如key light、shallow DOF、film grain 任选其二）（3分）
• 术语用法准确，无误用（如把 dolly 和 pan 混淆）（2分）

4. 时间轴/分镜结构化（12分，视频时长≥10s时必需）

• 按 shot 或时间段分段描述（4分）
• 每段包含景别+内容+运镜+动作+音效等要素完整，不是单一维度的流水账（4分）
• 分镜时长与内容量匹配（无"3秒说一大段台词"这类明显不匹配）（4分）

5. 声音设计分层（10分）

• 区分对话（如有，引号标注具体台词内容）/ 配乐 / 环境音效三层，不混为一谈（4分）
• 配乐用相对时序描述（"某事件后进入/停止"），不写死绝对秒数或分贝数值（3分）
• 台词具体化到原文，或明确写出"人物不说话"的约束（3分）

6. 约束一致性（12分，硬门槛）

• 正向要求与负向排除之间没有逻辑矛盾（如同时要BGM又说不要BGM）（6分）
• 负向描述写成具体画面（如"空旷荒野无建筑无道路"）而非简单否定词堆砌（如"不要丑、不要低质量"）（6分）

7. 已知坑规避（12分，硬门槛，H3专属）

• 未出现"不要字幕"这类已知反效果负向词（3分）
• 无对白角色场景，主动加了"保持安静/嘴巴自然闭合/无口型变化"约束防止自动念白（若场景有角色且不需要 说话才适用；场景本就无角色则此项自动满分）（3分）
• 视频内需要出现的文字/Logo/标题/按钮文案，原文一字不差写出（若不需要文字则此项自动满分）（3分）
• 未使用已知会诱发"莫名变暗/聚光灯效应"的负向表述（如"压低背景""聚焦暗化"），改用正向曝光一致性 描述（3分）

8. 素材引用规范性（8分，仅 ref2va/fl2va 模式适用，纯文生模式此项跳过、满分基数改为92）

• 每个引用编号都标注了用途（人物参考/场景参考/风格参考/动作参考/关键帧等）（4分）
• 编号顺序与提交时 reference_image_urls/first_frame_url 实际顺序一致（4分）

9. 密度与长度匹配（8分）

• 提示词长度与视频时长/画面复杂度相称：简单单镜头案例不过度堆砌形容词，复杂多分镜案例不因偷懒 只写一两句笼统描述（8分）

10. 输出格式合规性（gate，不计分，pass/fail）

• width/height/frames 组合在 raylight/scripts/server.py 的 RESOLUTION_CEILINGS 安全范围内
• 字段类型正确（数值型字段不是字符串等低级错误）

打分记录格式

每轮测试用如下表格记录，方便跨轮对比收敛趋势：

轮次	测试用例	模式	1	2	3	4	5	6	7	8	9	gate	总分	硬门槛熔断

2026-08-23 实测收敛记录（h3-prompt-writer skill v1→v5）

打分者：与生成提示词的 agent 相互独立的评审 agent（不共享上下文，只读 benchmark 文件本身打分）， 避免自评分数虚高。测试用例 A =「北京烤鸭产品广告」（纯文生，产品/无角色场景）， 测试用例 B =「雨夜公寓对峙」（纯文生，双角色对白剧情场景，用于验证 A 上的修复能否泛化到不同题材）。

轮次	用例	自评/盲测	总分	熔断	本轮主要问题
1	A	自评	94.6	否	（首次自评，未发现结构性问题）
1	B	自评	95.65	否
1	C（ref2va案例，非正式记录）	自评	95.5	否
2（skill改进后）	A v2	自评	98.4	否	自评虚高，未发现真实问题
2	A v2	独立盲测	94.6	否	负向描述是类别否定非具体画面；展示台材质缺失；静态分镜动作要素偏弱；环境音重复
3（针对性修复）	A v3	独立盲测	94.6	否	分数不变但问题变了：中段漏写环境音（为避免重复整句删掉）；结尾2秒塞3个动作；负向清单只具体化了1条
4（针对性修复）	A v4	独立盲测	89.1	否	新发现：全篇按"15秒"叙事但实际提交300帧≈12.5秒，时长与内容不匹配，末段被压缩后更挤；"固定机位"与"dolly in推近"自相矛盾
5（针对性修复）	A v5	独立盲测	96.7	否	✅ 达标。时长精确对齐、运镜表述自洽、材质/尺寸具体化到位
6（泛化验证，新题材）	B v1	独立盲测	92.4	否	环境元素只写了1-2件（漏墙面/家具/窗户）；无对白角色缺"嘴巴自然闭合"约束（skill里已有此规则但生成时漏用）；曝光负向表述踩"亮度分区"雷区边缘
7（针对性修复）	B v2	独立盲测	93.5	否	环境元素补齐；防念白约束补上；但"亮度分区"雷区词从负向句挪到正向句，词根仍在（本轮新引入）
8（针对性修复）	B v3	独立盲测	96.7	否	✅ 达标。彻底删除"亮/暗+分区"类词汇，改用纯光源物理行为描述；分镜密度问题部分改善（未根治但不影响达标）

结论：两个不同题材（产品广告 / 双角色对白剧情）最终都独立盲测稳定 ≥95 分，判定收敛。过程中 两次「自评虚高、独立盲测发现真实问题」（轮2的94.6 vs 98.4、以及后续多轮"分数不变/下降但问题在 变化"）说明自评有系统性偏高风险，后续用这个 skill 时如果要验证提示词质量，应该用独立的、没有 参与生成过程的视角重新审视，不要相信生成者自己的质量判断。收敛过程中最有价值的两个教训： (1) 提示词里的时长陈述必须跟实际提交的 frames/24 精确对齐，不能照抄案例来源的"标准时长"； (2) 想避开一个已知雷区词时，要检查词根本身有没有被换个句式重新带回来，不能只看"这句是不是负向句"。