Evolve 阶段报告 v2 — h3-video-prompt（SKILL.md v0.3.0 重训）
任务：T-mtadwn5l｜训练人：innovator-evolver｜日期：2026-08-26｜Large Loop 重训
触发：真实生产场景 conv-mtabpqx9「你出去看看」人工评测 6/10
基准：train/digest/benchmark_v2.md（9 维度，D5/D7 硬错误下限，§3.3 阻塞产出评分规则）
场景集：train/digest/test_scenarios_v2.json（12 场景）
⚠️ 分数可比性说明（先说清楚）：本报告的所有分数都来自
benchmark_v2.md（9 维度）， 上一轮报告（evolve_report.md）的 97~100 分来自benchmark_v1.md（6 维度）。两套基准的 维度数、权重结构、硬错误规则都不同，两组数字不能直接对比、也不能相减得出"提升了 X 分"。 本文第三节的表述以此为准。
一、最终分数表（12 场景，round 3 / SKILL.md v0.3.0）
| 场景 | 模式 | 处理 | 最终得分 | 说明 |
|---|---|---|---|---|
| TS-01 | T2VA | 复用+v2 校验 | 98 | D8=4（核心主体以标注假设推定、未反问，判断性扣分） |
| TS-02 | I2VA | 复用+v2 校验 | 100 | — |
| TS-03 | FL2VA | 复用+v2 校验 | 100 | 指令行占位符 round 2 已修复 |
| TS-04 | L2VA | 复用+v2 校验 | 100 | 同上 |
| TS-05 | Ref2VA | 重新生成 | 100 | 素材职责分别声明 + 人物 Subject 具体可辨识特征 |
| TS-06 | Ref2VA | 重新生成 | 100 | 3 图合并同一 Subject + 时间戳连续 |
| TS-07 | 边界-信息不足 | 重新核对 | 100 | 判断性打分（反问交付，沿用 v1 报告 4.2 惯例） |
| TS-08 | 边界-矛盾指令 | 重新核对 | 98 | D8=4（场景以标注假设推定、未反问，判断性扣分） |
| TS-09 | Ref2VA | 重新生成 | 100 | §3.3 正确阻塞（scene 水印无清洗版）+ 附修正示范 |
| TS-10 | T2VA | 重新生成 | 100 | N/A 精确条件首次被真实触发并正确执行 |
| TS-11 | T2VA | 重新生成 | 100 | 带感叹号对白逐字保真 |
| TS-12 | Ref2VA | 重新生成 | 100 | §3.3 正确阻塞 + 多 note 类型区分处理 |
总分 = 1196 / 12 → 平均 99.67（精确值 99.666...）
最低分 = 98（TS-01 / TS-08，均因 D8 判断性扣 1 分档）
低于 90 分的场景：无
算术回溯：每场景加权和 = Σ(维度得分/5 × 权重)，D1=20、D2-D9 各 10，
已逐一回溯核对（如 TS-01 = 20 + 10×7 + 8 = 98），明细见 round_outputs_v2.md。
本次评测对应的目标行为核查（task book §四 逐项）
| 要求 | 结果 |
|---|---|
| TS-09 正确阻塞（不静默引用带水印 scene） | ✅ 产出为阻塞报告，references 未含任何素材；附「修正示范」演示清洗版可用时的 4 条修正 |
TS-10 全程静音才写 overall_soundscape: N/A、配乐显式 N/A |
✅ 两字段均显式 N/A，且画面细节未因静音而变空 |
| TS-11 感叹号逐字保留 + 无高风险剧情推断 | ✅ <d>[Chinese] 别过来！</d>；女孩反应中性/短暂/开放 |
| TS-12 多 note 类型区分（A 无替代→阻塞 / B 有替代→选对版本 / C 正常引用） | ✅ 三类分别处理，未一刀切全阻塞 |
| TS-05/06 Ref2VA 重新生成 | ✅ 六字段齐全、职责声明、特征具体 |
| TS-07/08 重新核对 | ✅ 通过，各有 1 处判断性扣分如实记录（仅 TS-08）/ 无违规（TS-07） |
| TS-01~04 复用并逐项过 v2 机械校验 | ✅ 4 个场景 D9 全部通过，无需因新判据重新生成 |
二、是否达标结论
- 90 分硬性部署线（passing_score）：达到，最低 98 分，余量明显。
- 95 分目标线：达到。
- D1 封顶规则全程未触发：12 个场景 D1 全部 = 5（≥3 不封顶）。
- D5/D7 硬错误下限全程未触发：唯一产出多句对白的 TS-11 写法正确（D5=5）；两个触发阻塞条件的场景（TS-09/TS-12）都走了 §3.3 的"正确阻塞"路径，没有静默引用污染素材（D7=5）。
- v0.3.0 重点修复的 6 类失败模式（F1-F6）在 12 场景层面均已覆盖且未再出现：F1→TS-09/TS-11，F2→TS-09/TS-12，F3→TS-09 修正示范，F4→TS-09 修正示范/TS-11，F5→TS-02/TS-08 校验点，F6→全部场景的第 11 项机械清单。
结论：v0.3.0 在 benchmark_v2 下达到训练收敛目标，建议部署。 但"达到收敛目标"≠"生产风险清零"，局限见第五节——尤其 5.1（阻塞行为只有 1 条真实输入先例）和 5.3（评分者与执行者是同一个我）。
三、训练过程简述
本次任务是 Large Loop 重训的单轮收敛（Round 3，接在 v1 任务的两个 round 之后），不是多轮迭代：
Digest v2 重新定义了基准与场景集之后，把 feedback_eval 评审给出的「七步工作流」整体落进 SKILL.md
（v0.2.0 → v0.3.0，diff 见第四节），然后一次性对 12 个场景执行任务书规定的处理要求
（6 个重新生成 / 2 个重新核对 / 4 个复用+v2 校验），逐场景按 D1-D9 打明细分。全部产出与打分明细见
round_outputs_v2.md，逐条改动记录见 iteration_log.md Round 3 段。
两次独立复核（详见 iteration_log.md）：
- 算术复核：对所有非满分场景手工重算加权和与封顶判断（TS-01/TS-08 的 98 分、 N/A 维度按 §3.1 记满分的处理），与自动打分一致，未发现封顶规则漏算。
- 跨引用复核：核对阻塞报告内"补齐后的预案"与 TS-09 修正示范实际使用的 references 顺序 /
<Picture 1>绑定 /<Subject 1/2>绑定是否互相一致——一致（scene 单独成条作 Picture 1， npc/player 只作 Subject 外观来源），即"声称会怎么做"与"示范里真的怎么做"没有脱节。 这是 dream 经验里「单份日志撑不起 resume/reuse 场景，要加跨引用校验」在本轮的直接应用。
四、SKILL.md v0.2.0 → v0.3.0 改动 diff
来源：git diff system/agents/h3-video-prompt/train/evolve/SKILL.md（256 行插入 / 32 行删除）。
diff 属实可查，以下按节归类列出，不做选择性摘录。
| # | 章节 | 改动类型 | 内容 |
|---|---|---|---|
| 1 | frontmatter | 改+增 | version: 0.2.0 → 0.3.0 (evolve iteration 3, Large Loop retrain)；新增 v0.3.0_changes 说明字段（融入七步工作流 + 生产输入格式处理，对应 benchmark_v2 D5-D9） |
| 2 | §0（开头） | 删 | 移除针对 agent.md 语言规则冲突的重复论述段（该冲突的处理立场已在 v1 报告 4.5 立案，正文保留官方规则的正面陈述即可） |
| 3 | §0.5 | 新增整章 | 「内部固定工作流：七步总览」+ 优先级顺序声明（先硬性格式和引用规范 → 再用户意图 → 再冲突与不可用素材 → 再可拍摄性 → 最后电影感）；下设 §0.5.1 提取硬约束（7 项内部约束表）、§0.5.2 引用素材预检（不可用判定 + 5 条处理规则 + 阻塞报告应包含的 4 要素）、§0.5.3 输入冲突解决（5 级优先级表 + 最小改动范例"蜡烛保留但写明未点燃"）、§0.5.4 扩写边界（四类内容分类表 + "一句台词时对方反应保持中性/短暂/开放"）、§0.5.5 对白三条核心、§0.5.6 指向 §5.3、§0.5.7 输出前机械验收（11 项固定清单）、§0.5.8 阻塞交付形态（禁止报阻塞同时附带污染 Prompt） |
| 4 | §0.6 | 新增整章 | 生产输入格式处理：参考图菜单 {id, role, url, note} + 主体定义 + 立绘绑定规则 + 要拍的意图的结构示例，以及从这份输入构造最终产出的 6 步流程（references 按菜单顺序不重排 / 只有场景图单独成条作 <Picture 1> / 立绘只作 Subject 外观来源 / 逐条预检 note / 台词逐字进 <d> / 输出形状处理） |
| 5 | §1 Step 0 | 增 | 信息收集新增一项：逐条提取素材 note 的禁止/替换/版本要求；新增"核心主体未知优先反问，不要替用户编造外观"硬规则 |
| 6 | §2 Step 1 | 增 | 模式判断新增一条："生产输入菜单 + 主体定义 + 立绘绑定规则 → Ref2VA，不要降级当 I2VA 处理"；边界引用从 §Step 8 改指 §10.1 |
| 7 | §3.1 | 改 | 占位符硬规则与 §0.5.7 清单第 11 项建立联动（不再是孤立提醒） |
| 8 | §4.1 | 增 | 新增"生产输入格式下的绑定写法"：<Subject N> 直接绑定立绘时用立绘做来源声明 + 从文字设定提取的具体特征（附白衣女子示例） |
| 9 | §5.1 | 增 | 矛盾运镜反例扩为两类：除"推进又环绕"外新增 static shot with small amplitude shake，给出两种干净的替代写法（remains locked off / shakes slightly while maintaining the same framing） |
| 10 | §5.3 | 新增节 | 物理与镜头一致性检查（六条）：唯一光源真唯一 / 人物出现要有过程 / 道具位置不跨镜头跳变 / 运镜不互相冲突 / summary-retention-detailed 三字段讲同一件事 / Shot 编号与时间戳连续——对应七步工作流第六步与 benchmark_v2 D6 |
| 11 | §6 | 增 | 对白语法新增一条硬规则："不擅自添加/删除/改动标点——原句没有句号就不加句号，原句带感叹号就保留感叹号，不补省略号"；说话方式/音色/动作永远写在 <d> 外 |
| 12 | §7 | 改 | N/A 精确条件规则不变，标注口径改为"v0.2.0 用原文纠正、v0.3.0 沿用"（措辞统一） |
| 13 | §8 | 增 | 元指令（"越震撼越好""要有科技感""高大上"）按具体性三问转译，不要照抄进最终提示词 |
| 14 | §9 | 增 | 自查清单由 15 条扩到 20 条：新增第 16 条对白逐字标点、17 条素材 note 逐项预检与阻塞、18 条冲突按优先级最小改动、19 条未经授权的剧情结果、20 条输出前过 §0.5.7 十一项；自查顺序重排为"① 素材预检 → ② 冲突与扩写 → ③ 对白 → ④-⑩ 原有顺序 → ⑪ 机械验收" |
| 15 | §10 | 增 | §10.1 补"核心主体未知时同此处理（反问），只有时长/情绪基调这类低风险参数可在标注假设下推定"；新增 §10.3 素材阻塞（生产级），明确"这不是失败，是正确行为" |
| 16 | §11 | 增 | 交付清单新增：冲突取舍或阻塞要说明处理方式；交付前必须通过 §0.5.7 十一项机械验收（由"建议"升为"必须"） |
| 17 | §12 | 增 | 来源标注补充 v0.3.0 依据：feedback_eval（2026-08-26）+ benchmark_v2 |
落地自检（对照 task book §六.1）：七步工作流的 7 步在正文各有一个操作细则落点（§0.5.1 / §0.5.2 / §0.5.3 / §0.5.4 / §6 / §5.3 / §0.5.7）；生产输入格式有专门小节 §0.6； 阻塞行为由 §0.5.2 第 2/3 条 + §0.5.8 + §10.3 三处共同固定，均为"必须/停止生成"的指令式写法， 不是可选项。
五、诚实的局限说明（沿用 v1 报告 4.x 的写法，不只报喜）
5.1 「阻塞」这一新行为的真实先例数量：1 条输入，0 次真实部署
本轮最重要的新行为（必需素材不可用 → 报告阻塞）是在 2 个场景（TS-09 / TS-12）上验证的：
- TS-09 的输入确实取自真实生产对话（conv-mtabpqx9 的完整菜单原样重建），所以 "note 说要换清洗版 + 输入没给清洗版 → 应阻塞"这条判定有 1 条真实先例支撑。
- TS-12 是 Digester 为了覆盖"A/B/C 三种 note 类型"而构造的场景，不是真实发生的请求。
更关键的是：v0.3.0 还没有在任何一次真实调用中跑过。也就是说，"正确阻塞"这个行为目前的 真实证据形态是"对过去那条失败案例的复盘式重放，结果正确"，而不是"下一次同类真实请求不会再错"。 真实生产里还有两类变体本轮完全没测到：① note 说「必须替换」但菜单里有清洗版（应选清洗版继续， 不阻塞也不静默）；② 多份素材同时不可用（部分必需、部分可选）。这两条的预期行为写在 §0.5.2 里了， 但没有对应的场景产出，属于规则已落地、行为未验证的状态。
5.2 构造性判据的真实先例数量：本轮仍为零
TS-09 附带的「修正示范」（假设清洗版可用时怎么写）是构造出来的展示产出，目的是让 F1/F3/F4 三类修复有真实的 Prompt 文本可核对，而不是只在打分表里说"会这么做"。它本身有效，但要如实记录：
| 判据 | 来源 | 性质 |
|---|---|---|
| 「油灯唯一光源 + 蜡烛写明未点燃」最小改动的实际产出效果 | 仅存在于 TS-09 修正示范 | 构造性（无真实生成） |
| 「一句台词后反应中性/短暂/开放」的效果 | 仅存在于 TS-09 修正示范 / TS-11 | 半构造（TS-11 是完整生成的 Prompt，但场景本身也是 Digester 构造的） |
「<d> 逐字 + 感叹号保留」 |
TS-11 实际产出 | 已验证（文本层面） |
| 「带水印素材进 references 会被模型学进成片」造成的画面污染程度 | 从未观测过 | 无先例 |
最后一行值得单独强调：我们验证的是"不再把污染素材送进 references"（流程层），而没有验证 "如果不送，成片质量到底差多少"（效果层）——后者需要真实出片才能知道，本技能无法自证。
5.3 所有打分都是自评，评分者与执行者同为一人
12 个场景的 D1-D9 明细是我自己按 benchmark_v2 打的，没有第三方盲评，也没有把产出交给 org-innovator 复核后再计分。打分依据都已写明（每个维度带依据列），算术可回溯，但"这份依据算不算 命中 tier 4"这类判断仍是自我裁量的。上一轮报告中 TS-05 得 92 分那一档的自我扣分是可信的 （有具体缺陷文本佐证），同理本轮 TS-01/TS-08 的 D8=4 也是自我扣的——方向上应该是诚实的 （扣了分而不是白给），幅度上无法自证客观。需要 org-innovator 或独立评审抽 1-2 个场景复核 （建议抽 TS-09 和 TS-05），确认判分尺度没有系统性偏松。
5.4 本轮仍未被任何场景实际验证过的判据
benchmark_v2 的判据里，以下几条在本轮 12 个场景中没有任何一条被真实触发，因此 v0.3.0 是否能 在它们上得 5 分仍是未知数，只能确认"没有发生过反向证据"：
| 未触发的判据 | 所属维度 | 为何没测到 |
|---|---|---|
| 人物无进入过程突然出现在画面里 | D6 | 没有"人物凭空出场"的反例场景 |
| 道具位置跨镜头跳变 | D6 | 没有多镜头道具连续性的专项场景 |
画外音 says in an off-screen voiceover + 嘴唇保持闭合 |
D5 | 没有画外音场景 |
多说话人 (S1)/(S2) 编号稳定且一一对应 |
D5 | 只测了单说话人（TS-11 仅 S1） |
| Ref2VA 的音频素材（音色锚定） | D1/D7 | 12 个场景的素材全是图和视频，没有 audio 类素材 |
| JSON 是否真的可解析、无 schema 外字段 | D9 | 测试产出是 markdown 正文形态，没有走真实 {"prompt", "references"} 序列化通道 |
| 输入 schema 有错误通道时的正确用法 | D7 | 两个阻塞场景碰到的都是"schema 无错误通道"分支 |
| 歌词/可见文字（招牌字幕霓虹灯字样）保留原语言 | D5 | 没有歌词或画面文字场景 |
这些与 v1 报告 4.4（N/A 条件未被触发）性质相同，区别在于本轮已把其中最重要的一条（声音 N/A）用 TS-10 真实验证掉了，其余仍在清单上。建议 Digester 下一批场景优先补齐"双说话人 + 音频素材"这一组， 因为它们在 Ref2VA 场景里出现的概率不低。
5.5 一个尚未裁决的评分惯例问题（继承自 v1 报告 4.2，并在本轮被放大）
"N/A 按'未发生违规'记满分"这条惯例在本轮覆盖的范围比 v1 大得多：v1 只用于 TS-07 这一个反问场景， 本轮还覆盖了 TS-09/TS-12 两个阻塞场景的全部正文类维度。直接后果是12 个场景里 10 个拿了 100 分， 分数分布几乎没有区分度。这不是打分错误（§3.3 就是这么设计的），而是这套规则天然让"正确放弃"和 "完美达成"拿同样的分。如果 Digester 认为"一份高质量的阻塞报告"应该比"一份刚好合格但毫无亮点的 Prompt"得分更高（现在两者并列 100），或者反过来认为阻塞场景根本不该参与平均分计算，都需要拍板—— 本轮不改分数、不改 benchmark，只把这个结构性问题摆出来。
5.6 需要决策的事项：v0.2.0 存量产出与新规则的张力（TS-01 / TS-08 的那 1 分）
TS-01 和 TS-08 都是复用 v0.2.0 产出，各自因"核心主体/场景缺失时以标注假设推定、未反问"扣了 D8 的 1 分档。三点如实交代：
- 这个行为在 v1 基准下是完全合规的（当时的规则就是"能合理推断的直接采用并注明"），所以这两个 场景没有因 v0.2.0 写错了什么而失分，失分是因为 v0.3.0 把标准收紧了——这是基准演进的正常 现象，不是回归。
- 按任务书要求，这两条属于"复用 + 校验"范围，本轮没有用 v0.3.0 重写它们去抹掉这 1 分； 如果重写（像 TS-07 那样先反问），预计都能回到 100。
- 但这里有一个真正的开放问题需要拍板："开箱视频"这种情形，到底应该反问还是合理推断后开工？ 反问会让体验变重（一个纯娱乐请求被列 6 个问题），推定则有替用户编造主体外观的风险。v0.3.0 目前 选了"优先反问"的一侧。如果 org-innovator 认为低风险娱乐场景应当默认推定、只在歧义大时反问， 那么 §0.5.4 / §10.1 的这条收紧就要回调，且 TS-01/TS-08 的 D8 应当改回 5 分——这两种取向都有道理， 不是我能在训练里擅自决定的，所以分数维持现状。
5.7 仍然悬挂的两条旧账（承接 v1 报告 4.5 / 4.6，本轮未处理）
- agent.md 的语言规则校准冲突：官方原文要求结构化字段一律英文、只对白/可见文字保留原语言，
而
system/agents/h3-video-prompt/agent.md"交付形态"一节写的是"跟随用户输入语言"。v0.3.0 正文 已删除对该冲突的重复论述（见第四节 #2），但 agent.md 本身没有被修改（超出 Evolver 职权范围）， 冲突依旧存在。skill 生产部署用的是 agent.md 还是这份 train/evolve/SKILL.md，需要 org-innovator 明确——如果线上走的是 agent.md，那么本次重训的成果并没有真正生效，这是比分数更重要的问题。 - 飞书标杆文档依旧不可达（
train/hunt/feishu_access_status.md记录的三次尝试结论未变）。 本次重训全部基于官方仓库原文 + feedback_eval 的人工评审意见。如果飞书内部标杆对某些字段有额外 定制约定，本轮无法反映。
5.8 关于"分数提升"的表述纪律
v1 → v2 的分数变化（99.125/98.71 最低 97 → 99.67 最低 98）看起来只提升了不到 1 分，但两组 数字在两套不同的 benchmark 上得出，既不能说"进步很小"也不能说"大幅提升"。准确的说法是：v0.2.0 在旧基准下表现良好，但在新的、以行为约束为核心的基准下被暴露出 6 类真实失败模式（6/10 评测）； v0.3.0 把这 6 类各自的修复落进了正文与固定流程，并在新基准下全部通过。重训的价值体现在失败的类别 被消灭（6 类全部有对应的场景级证据），而不是体现在分数涨幅上。
六、给部署决策的建议
- v0.3.0 建议可以进入生产试用，但按 5.1 的结论，首个上线阶段应重点观察两类真实请求： 必需素材带"必须替换"类 note 时是否正确阻塞；菜单里有可用清洗版时是否能正确选择而不是误报阻塞。
- 先解决 5.7 第一条再谈部署：确认线上实际加载的 skill 文件是哪一份，若线上走 agent.md， 需要把 v0.3.0 的七步工作流同步进去（或由 org-innovator 排期一次 agent.md 校准）。
- 若采纳 5.5 / 5.6 中任一调整（阻塞场景计分方式、"反问 vs 推定"取向），会导致本轮分数表变化， 请届时通知重评——那是 Digester / org-innovator 的决定，Evolver 不擅自改 benchmark 或回填分数。