H3 视频提示词质量评分基准 v1 — h3-video-prompt
生成者：innovator-digest（Phase 2 Digest） 输入：
../hunt/knowhow_v1.md（Hunt 阶段调研报告）+../hunt/sources.json+../hunt/feishu_access_status.md日期：2026-08-25 评分对象：该 agent 针对一条用户视频创意，产出的最终提示词原文（不是评 agent.md/SKILL.md 文档本身）
〇、设计前提
飞书两篇标杆文档三次独立尝试均因登录墙不可达（../hunt/feishu_access_status.md），本次调研
转向公开权威信源，最重要发现是 MiniMax 官方 GitHub 仓库 MiniMax-AI/MiniMax-H3 的
skills/h3-prompt-writing/（../hunt/knowhow_v1.md §1.1，Hunter 已用 WebFetch 对
raw.githubusercontent.com 原文逐字核实，非编造）。
knowhow §8 校准表指出：现有 agent.md/.claude/skills/main_skill/SKILL.md 手写骨架在
镜头术语、光影写法、(S1)/<d> 对白语法这几块已经和官方仓库/photogptai.com 强交叉验证一致，
不需要推倒重来；但存在一个结构性缺口——官方把提示词写作分成 5 种输入模式
（T2VA/I2VA/FL2VA/L2VA/Ref2VA），现有骨架完全没有对齐这套命名体系，也完全没有 Ref2VA
全参考模式独有的 subject_definitions/summary/retention_analysis 三个前置字段
（knowhow §1.1、§8）。这套 benchmark 的核心设计目标，就是把"输入模式覆盖度"设为最高权重
维度，避免其余几个现有骨架已经做得不错的维度（光影/术语）把这个结构性缺口的低分稀释成一个
体面总分——这正是本任务书原始要求"Ref2VA 场景建议给较高权重"的理由，也是下面 D1 封顶规则的
出发点。
一、维度设计（6 维度 + 权重，满分 100）
| 维度 | 名称 | 判据来源 | 权重 |
|---|---|---|---|
| D1 | 官方输入模式覆盖度（核心锚点） | knowhow §1.1 五模式表 + Ref2VA 三新增字段 | 25 |
| D2 | 结构化字段完整性 | knowhow §1.1 基础三字段 / Ref2VA 六字段 | 15 |
| D3 | 声音设计完整性 | knowhow §5（现有骨架薄弱环节，本次重点补强） | 15 |
| D4 | 具体性 vs 空洞质量词 | knowhow §4（多信源印证最扎实的一条规则） | 15 |
| D5 | 运镜/对白语法规范性 | knowhow §1.2 / §3 | 15 |
| D6 | 常见错误规避 | knowhow §6 六类新增错误 | 15 |
D1 单项权重 25，全场最高——理由见〇：这是唯一一个 knowhow §8 明确标为"❌完全缺失"的 结构性缺口，其余维度（D4/D5 尤其）现有骨架已被多信源验证为准确，如果不给 D1 引入封顶规则， 一条"模式完全用错、Ref2VA 三字段一个没写"的提示词仍可能靠光影/术语写得漂亮拿到及格分， 掩盖了这个本任务书要求优先补齐的最大缺口。
二、逐维度评分标准
每个维度打 1-5 分，最终按 维度得分/5 × 维度权重 加权求和。
D1 官方输入模式覆盖度（权重 25，核心锚点）
判据锚点（knowhow §1.1）：H3 官方把提示词写作分 5 种输入模式（T2VA/I2VA/FL2VA/L2VA/Ref2VA），
每种模式对应不同输入素材和字段集合；Ref2VA（最多 9 图 + 3 视频 + 3 音频的多素材一致性场景）
比基础模式多出 subject_definitions（主体定义）/summary（概要）/retention_analysis
（一致性保留分析）三个前置字段。
| 分数 | 判据 |
|---|---|
| 5 | 正确识别输入模式（单一或组合）；若为 Ref2VA 场景，subject_definitions/summary/retention_analysis 三个新增字段全部出现且内容具体（逐个声明主体、点名必须跨镜头保持一致的具体特征，非占位话） |
| 4 | 模式识别正确，但 Ref2VA 三字段中有 1 个内容单薄（如 retention_analysis 只写"保持一致"，未点名具体是哪些特征） |
| 3 | 模式判断方向大致对（如把 Ref2VA 场景当"进阶模板"处理），但未使用官方字段名、未显式声明所处模式，字段内容和官方结构对不上号，需要读者自行脑补对应关系 |
| 2 | 模式误判（如把需要首尾帧衔接的 FL2VA 场景当 T2VA 写，或把多参考一致性场景当单图 I2VA 处理，丢失关键约束） |
| 1 | 完全没有模式意识；Ref2VA 场景下 subject_definitions/summary/retention_analysis 三字段一个都没出现，参考素材只被当背景描述带过 |
典型反例（1 分档，触发 D1 封顶）：用户提供"代言人口播视频 + 产品图"两个参考素材，要求
"手腕特写、产品和人物形象都保持一致"，产出只在画面描述里写"参考视频里的人物"和"参考图里的
手表"，没有 subject_definitions 分别声明两个主体、没有 retention_analysis 点名"表盘图案/
品牌 logo 角度必须跨镜头保持"——对应 knowhow §1.1"完全没有对应 Ref2VA"的结构性缺口 +
§6"参考素材未声明职责就堆叠使用"。
D2 结构化字段完整性（权重 15）
判据锚点（knowhow §1.1）：基础模式三字段（integrated_multimodal_description/
overall_soundscape/non_diegetic_music）或 Ref2VA 六字段（额外 detailed_description
对应基础模式的 integrated_multimodal_description），该场景需要的字段必须全部出现且内容具体。
| 分数 | 判据 |
|---|---|
| 5 | 该场景应有的全部字段（基础 3 个或 Ref2VA 6 个）都出现，且每个字段内容具体、对应该镜头/该主体，非套话 |
| 4 | 字段齐全，1 处内容偏简略但不影响理解 |
| 3 | 缺 1 个字段，或字段名称使用不规范（如把 non_diegetic_music 和 overall_soundscape 内容混写在一起） |
| 2 | 缺 ≥2 个字段，或字段内容基本是通用套话，换成任何场景都能套用 |
| 1 | 完全未使用结构化字段，混在一段连续散文里，读者无法区分画面/环境音/配乐 |
判据来源：knowhow §1.1 指出基础三字段"与现有 SKILL.md Step 3 完全吻合，强验证"，本维度 专门检验：即使模式识别对了（D1 已判），字段本身是否真的写全、写实。
D3 声音设计完整性（权重 15，knowhow §5 明确标记为现有骨架薄弱环节）
判据锚点（knowhow §5）：声音是和画面平级的独立轨道，不可省略项包括对白具体内容/环境声类型/
背景音乐风格/音效卡点位置；不需要某类声音时要显式写 N/A，而不是留空或不提——留空会被模型
理解为"自由发挥"（fal.ai 原话）。
| 分数 | 判据 |
|---|---|
| 5 | 每类声音（同步音效/环境声/配乐）都被显式处理；不需要的声音显式标 N/A；对白/环境声类型/配乐风格/音效卡点四项不可省略项全部覆盖 |
| 4 | 声音都写了，但"不需要"的类别只是不提及，没有显式 N/A 标注 |
| 3 | 声音描述存在但笼统（如只写"有一些环境音"），不可省略项缺 1-2 类 |
| 2 | 只写了配乐或只写了环境音，遗漏另一类 |
| 1 | 声音部分完全留空或缺失 |
典型反例（4 分档扣分点）：用户明确"这条视频不需要背景音乐"，产出只是不写
non_diegetic_music 字段而非显式填 N/A——直接命中 knowhow §5 fal.ai 指出的陷阱。
D4 具体性 vs 空洞质量词（权重 15，多信源印证最扎实的一条规则）
判据锚点（knowhow §4）：光影/材质/氛围描述要能回答"光从哪来、打在什么地方、造成什么视觉 效果"，不用"高清/电影感/超写实/大师级"类质量堆砌词；官方原文"Prioritize concrete descriptive details over vague terminology"与此完全一致。
| 分数 | 判据 |
|---|---|
| 5 | 全程无质量堆砌词，光影/材质/氛围描述都能回答"光从哪、打在哪、什么效果"三问 |
| 4 | 基本具体，1 处出现轻微质量词但不是堆砌（如"质感细腻"单独出现一次） |
| 3 | 具体描述和质量词混用，约一半篇幅是空词 |
| 2 | 多数光影/氛围描述停留在质量词层面，具体细节少于一半 |
| 1 | 通篇质量词堆砌（"电影级 8K 超写实画质"），无任何"光源+位置+效果"级别的具体描述 |
判据来源：knowhow §4 引用的 morphic.com/zh 四条范例（"玻璃结着水汽…只留一处琥珀"/ "几乎只靠一盏橙色钠灯照明"/"地面白得过曝、天空硬蓝…几乎没影子"/"CRT 边缘有色散，黑压得很实"） 是 5 分档的正面样板。
D5 运镜/对白语法规范性（权重 15）
判据锚点（knowhow §1.2、§3）：镜头术语使用准确、全程只有一个主导运镜（除非明确拆成多镜头
结构）；涉及对白时 (S1) 标注、<d>[语言] 确切台词</d> 语法正确，动作/情绪指令不混入标签内。
| 分数 | 判据 |
|---|---|
| 5 | 术语使用准确无误用；只有一个主导运镜；(S1)/<d> 语法完全正确 |
| 4 | 术语/语法基本正确，1 处轻微瑕疵（如幅度/速度修饰词缺失但不影响理解） |
| 3 | 术语定义用对，但在同一镜头内混用了两个矛盾运镜（如同时要求"推进"和"环绕"）而未拆分镜头 |
| 2 | (S1)/<d> 语法用错（表演指令混进对白标签内），或镜头术语明显误用（把 Truck 和 Pan 混为一谈） |
| 1 | 完全没有运镜术语或对白语法意识，纯散文描述、无法定位主导运镜 |
判据来源：knowhow §1.2 逐字复核的 (S1)/<d> 示例 + §3 镜头术语表（全部信源印证准确，
无发现错误定义）。
D6 常见错误规避（权重 15，knowhow §6 六类新增错误）
判据锚点（knowhow §6）：现有 Step 8 自查清单遗漏的 6 类新增错误——元指令代替具体描述、 参考素材未声明职责就堆叠使用、时间戳重叠或有间隙、单镜头短于 1.5 秒、首尾帧模式与全参考 模式混用、声音部分留空/省略。
| 分数 | 判据 |
|---|---|
| 5 | 6 类新增错误一个都未命中 |
| 4 | 命中 1 处且非核心路径（如时间戳有极小间隙但不影响理解） |
| 3 | 命中 2 处 |
| 2 | 命中 3 处 |
| 1 | 命中 ≥4 处，或命中结构性错误（如同一请求里同时触发 FL2VA 和 Ref2VA 字段结构混用） |
判据来源：knowhow §6 合并表逐条标注来源（inreels.ai/fal.ai/imagine.art/ai-indeed.com）。
三、总分计算方法
3.1 加权和
加权和 = Σ(维度得分/5 × 维度权重) （满分 100）
3.2 封顶规则（D1 天花板机制）
理由见〇：D1 是唯一被 knowhow §8 标为"❌完全缺失"的结构性维度，其余维度（尤其 D4/D5） 现有骨架已被多信源验证准确。若不封顶，D1 的低分会被其余维度的高分稀释成一个仍然体面的 总分，等于放行"模式完全用错、Ref2VA 三字段一个没写"的提示词。
若 D1 ≤ 1 → 总分上限 40
若 D1 = 2 → 总分上限 60
若 D1 ≥ 3 → D1 不封顶
最终得分 = min(加权和, D1 对应上限（如触发）)
3.3 判定等级
| 分数区间 | 等级 | 处置建议 |
|---|---|---|
| ≥95 | 优秀（目标线） | 达到 Evolver 训练收敛目标，可部署 |
| 90-94 | 合格（硬性部署线） | 达到部署门槛，建议下一轮针对薄弱维度微调 |
| 75-89 | 待改进 | 不建议直接部署，需补齐薄弱维度重新评分 |
| 不合格 | 判定为结构性缺失（多为 D1 未覆盖），需要重写核心维度 |
passing_score（硬性部署线）= 90——本任务书原始要求直接指定的部署门槛（"90 分仍作为部署
硬性及格线"），不是本次推导得出，详见 baseline_target.md 对该门槛可达性的核实。
四、判据来源逐条对照表
| knowhow 章节 | 落地维度 | 说明 |
|---|---|---|
| §1.1 五种输入模式命名 | D1 | 核心锚点，权重最高 + 封顶 |
| §1.1 Ref2VA 三新增字段 | D1 | 与模式识别绑定评分，非独立维度 |
| §1.1 基础三字段 / Ref2VA 六字段 | D2 | — |
| §5 声音设计规范（现有骨架薄弱环节） | D3 | — |
| §4 光影氛围写法（证据最充分的一条） | D4 | — |
§1.2 (S1)/<d> 语法 |
D5 | — |
| §3 镜头术语表 | D5 | — |
| §6 六类新增常见错误 | D6 | — |
| §8 校准表（对现有骨架的逐条验证/缺口结论） | D1-D6 全部 | 本 benchmark 的维度取舍直接依据这张表 |
6 个维度全部能追溯到 knowhow 具体章节，没有凭空设计的判据。