---
version: v3
date: 2026-08-27
task: T-mtb75m8u（h3-video-prompt Retrain v3 · EVOLVE 阶段）
skill: train/evolve/SKILL_v3.md（v0.4.0，基于线上 v0.3.0 只读基底增量修订）
benchmark: train/digest/benchmark_v3.md（9 维度 + C1/C2/C3 三条全局裁决条款，双轨计量）
scenarios: test_scenarios_v3.json（TS-01~TS-18，prompt 轨 16 / block 轨 2）
iterations: 2（预算 max 10；第 1 轮即满足部署条件，第 2 轮为定向缺陷修复确认）
artifacts: train/evolve/_v3_artifacts/{inputs,outputs,scores}｜轨迹：iteration_log_v3.md｜逐场景与条文对照：round_outputs_v3.md
---

# evolve_report_v3 — h3-video-prompt Retrain v3 · EVOLVE

## 〇、可比性声明（沿用 evolve_report_v2 开头惯例）

**本报告的分数是 v3 双轨口径下的数字，与上一轮 99.67 不可直接比较。** C3 生效后：

- prompt 轨成绩 = 该轨 16 场景按 v2 加权口径（Σ 维度得分/5 × 权重）得分的**均值**；
- block 轨成绩 = TS-09 与 TS-12 各自按 B1-B5 实得分求和；
- 两轨数字分开呈现，**禁止合并平均**——本文不含任何跨轨合成数字。

99.67 是单一轨道、旧 §3.3 "阻塞=N/A 满分" 机制下的产物，与本轮任何一个数字都不构成同一量纲。

## 一、结论（先给可验收的三个数）

| 部署条件（C3/c） | 要求 | 实测 | 判定 |
|---|---|---|---|
| prompt 轨均值 | ≥ 90 | **93.88**（n=16，算式见 §三） | ✅ |
| block 轨每场景 | ≥ 85 | **TS-09 = 100，TS-12 = 98** | ✅ |
| 全场景零静默引用 | 必须 0 | **18/18 为零**（block 两场景为 excluded 单列形态，正文/交付 references 不含任何不可用素材） | ✅ |

弱维度分布（全部带具体差距数字）：D2/D3/D4/D6 内容缺失型扣分集中在反问清单型三场景
（TS-01/07/08，判分口径争议见 §四），真实产品缺陷两处已修复（TS-16 D1、TS-17 D5），
残余一处轻微表述强度问题（[Shot N] 主导运镜声明）。

## 二、本轮做了什么（SKILL v0.3.0 → v0.4.0）

六点指定修订全部落地到训练目录（线上文件未动），外加 Round 2 的三处定向增补。
**每一处的增删对照全文在 `round_outputs_v3.md` §四**（25 处 diff 块逐一列出新旧条文），此处只列索引：

1. §0.6 重写两层模型：资产层（原 url 不动、顺序 = 菜单顺序 = 自动编号顺序、url 不进正文层）/
   正文层（官方四标签 only + `(Sx)`）、场景图独立 `<Picture N>` 锚点、立绘绑 Subject 序号内联
   引用、官方式序号内联来源写法替代文字指代、幽灵编号禁令 + 官方外词法禁令（新增收口规则标级 C）。
2. §0.5.5 / §6.3 / 自查清单第 16 条 升级标点双口径作用域条款：两条官方原文逐字引用带行号
   （base-en.txt:129、ref-en.txt:274）、来源判定顺序（默认 V，本条标 B 内部规范）、逐句适用、双向反向约束。
3. 自查清单第 4 条改述（顺序命题重述）/ 第 5 条改述（非锚点图是否被 Subject 定义句序号认领）。
4. 新增 §0.5.9 素材数量上限条款：合计 ≤ 12 文件、超限先告知调用方再裁剪（README.md:85 出处），
   并同步进 §0.5.7 第 12 项机械验收。
5. 出处标注修正：双说话人稳定 ID 补 base-en.txt:127、Audio N 锚定与 speaker 绑定补 ref-en.txt:92-118
   （含 :100/:110/:112 逐字引文）、画外音补 base-en.txt:136/:139 + ref-en.txt:266；JSON 通道可解析性
   （§0.5.7 第 11 项）、人物出场过程（§5.3 表第 2 条拆 A/B 半句标注）、道具跨镜头跳变（§5.3 表第 3 条）
   三处显式标注内部规范/内部推演。
6. §10.1 保持 v0.3.0 原文未动（加一条"v0.4.0 注"说明理由：上轮人工评审收紧结果，本轮无新证据推翻）。

Round 2 定向增补（由实测扣分触发）：§6.2 补 Audio 绑定写法示例（TS-16）；§6.3 补画外音固定短语
七词连续性约束与违规反例（TS-17）；新增 §3.4 基础模式资产层义务（TS-04）。

## 三、每轮分数（全量 + 可回溯）

### Round 1（初稿执行 → 全量打分 → 两处判分侧修正）

| 场景 | r1 报出 | 校准后 | 变化原因 |
|---|---|---|---|
| TS-01 | 72.0 | 72.0 | 反问清单严格口径的基准样本 |
| TS-02 / TS-05 | 100 / 100 | — | — |
| TS-03 | 96 | 96 | — |
| TS-04 | **91.0** | **96.0** | 加法漏项更正（9 个维度项被错加成 91，其维度表应为 96） |
| TS-06 / TS-11 | 98 / 96 | — | — |
| TS-07 | **94** | **70.0** | 口径统一（宽松 N/A → 实体化口径，复算留档） |
| TS-08 | **94** | **76.0** | 同上 |
| TS-13/14/15/18 | 均 100 | — | — |
| TS-16 | 96 | 96 | D1 −4.0（Audio 绑定形式，真实缺陷 → 触发迭代 2） |
| TS-17 | 98 | 98 | D5 −2.0（短语被插语打断，真实缺陷 → 触发迭代 2） |
| block：TS-09 / TS-12 | 100 / 98 | — | B1-B5 全满 / B3 −2 |

r1 校准后均分 = **93.75**（16 场景，Σ=1500）。

### Round 2（三处增补后仅复跑受影响的 TS-04/16/17）

| 场景 | r1 校准后 | r2 | 弱维度变化 |
|---|---|---|---|
| TS-04 | 96.0 | **98.0** | D7 由档 3 回升档 4（资产层成表 + url 显式待补标注；档 5 因输入本身无 url 不可达） |
| TS-16 | 96.0 | **98.0** | D1 修复确认（`<Subject 1> (S1)` 内联绑定落入定义句）；新暴露 D6 −2.0（[Shot 2] 未显式声明主导运镜） |
| TS-17 | 98.0 | **98.0** | D5 修复确认（七词连续、闭唇声明紧跟 `</d>`）；新暴露 D6 −2.0（同上类问题） |

其余 15 条不再复跑：本次三处增补均为新增条文（不改动既有语义），对其它场景理论上中性偏正，
按最小改动纪律不做重复计分，也不把"理论可能更高"计入成绩。

### 最终合成分

```
prompt 轨 = (72+100+96+98+100+98+70+76+100+96+100+100+100+98+98+100) / 16
         = 1502 / 16 = 93.875 ≈ 93.88        （目标 ≥ 90）
block  轨 = TS-09 100 / TS-12 98                （目标每场景 ≥ 85）
静默引用 = 0 / 18
```

全部 16 条 prompt 轨记录均通过独立复核算式校验（对每条重新计算 Σ 维度得分/5 × 权重并与总分比对，
其中 TS-04 的初版 91.0 因此被发现为加法错误）。评分详情：`_v3_artifacts/scores/*.md|.json`。

## 四、弱维度分析（根因，不是现象罗列）

### 4.1 真实产品缺陷（已修，有前后证据）

| # | 缺陷 | 根因 | 修复 | 残余风险 |
|---|---|---|---|---|
| 1 | TS-16 D1 −4.0：`<Audio 1>/<Audio 2>` 定义句内联绑定缺失，对应关系只写在资产层元数据里 | 旧 §6 只有 prose 描述"音色参照"，没有把 ref-en.txt:100 的 `<Subject N> (Sx)` 形式落成写法示例 | §6.2 增绑定写法示例代码块 + 明确"只放元数据不算完成绑定"的机械验收判定语 | 低（形式可机械化检查，已进自查项） |
| 2 | TS-17 D5 −2.0：画外音固定短语写成 "...says the following aloud without ever opening his mouth in an off-screen voiceover"，七词被插语打断 | 官方要求 *"use the exact phrase"*，但旧 §6 示例只有正例没有反例，未见禁止插语 | §6.3 增"逐字相邻、不得插语打断"约束 + 该反例原文进 SKILL | 低 |
| 3 | TS-04 D7 −4.0（r1）：L2VA 单图场景整段缺资产层清单 | 两层模型义务只在 Ref2VA 语境展开（§0.6 在 Ref2VA 章节），基础模式章节没有任何提示 | 新增 §3.4 基础模式同样适用 + url 待补显式标注模板 | 中（该场景输入未携带 url，D7 档 5 结构性不可达，见 §五.2） |

### 4.2 非技能缺陷、但需要如实呈现

**反问清单型场景的判分约定缺口（最大单项不确定性）**。TS-01「开箱视频」、TS-07「给我做个视频」、
TS-08「矛盾运镜且主体未知」三条在 SKILL §10.1（本轮刻意保持不动）约束下正确行为都是一次性反问、
不出正式 Prompt。此时 D2/D3/D4/D6 这些以"正式 Prompt 正文存在"为前提的维度怎么办，benchmark_v3
没有明文规定。两种读法差 4.1 分：

```
实体化口径（本轮采用）：正文内容维度"义务未履行"记 2/5 → 均值 93.88
宽松 N/A 口径（r1 曾被两个评分实例采用）：记满分             → 均值 98.00
（两种口径下部署条件都成立，结论稳健；差异明细全部留在 scores 文件里）
```

采用实体化口径的理由：C3 的病根诊断就是"非 Prompt 交付物借 N/A 冲高分"；而且 r1 里 TS-01 与
TS-07/08 之间确实出现了同一形态两种打分的客观不一致，必须二选一，选保守侧符合训练纪律。
**但这不应由 Evolver 拍板即完事 —— 建议下一轮 benchmark 把这一条写死**（例如：声明 prompt 轨而
实际产出为澄清件的，D2-D6 按 N/A 记满分、D8/D1/D9 按实体判分；或单设第三轨）。

### 4.3 未修复的新发现（< 2 分收敛阈值内，留作下轮）

- **[Shot N] 主导运镜声明的落位强度**（TS-16/TS-17 r2 各 −2.0）：切镜后的新镜头段落里，主导运镜或
  锁定状态只隐含在画面描述里，没有被"每镜必须有显式镜头状态动词"这类硬约束钉住。属于 D6 表述
  强度问题而非规则缺失（§5.1/§5.3 已有主导运镜唯一原则），r2 分数仍在优秀区间，按"不为好看继续推"
  的纪律停在此处，不放宽也硬塞条文。

## 五、诚实记录：局限与不能报喜的部分

1. **判分依赖 3 个独立评分实例 + 本人复核**，不是官方口径机器打分。本文所有"客观一致性"只保证到
   `scores/*.md` 的证据链深度；反问清单约定、B3 补料预案判据等人造判据仍有主观空间。
2. **TS-04/TS-02/TS-03 的 url 是输入根本没给的占位符**，"原 url 原样保留"这条 A 级义务在这三条上
   只能验证"处置方式正确"（显式标待补），无法验证字面保真。真正含 url 的验证来自 TS-05/06/09/12/13/16/18
   七条（含字面 `<OSS>` 占位符逐字保留的核对），覆盖率不足以宣称 100% 达标该判据。
3. **block 轨样本量 2，且 B1-B5 至今 0 个真实先例**（benchmark_v3 §六明示构造性设计）。两条都接近
   满分恰恰说明这个分值的区分度未经压力测试 —— 它证明的是"当前技能输出了全部五要素"，不是
   "85 分这条线的刻度准确"。revision_notes 2.3 已指出代价，本轮不掩饰：达标结论在此两项上是
   构造性量尺上的达标。
4. **上轮 12 场景没有任何盲区被执行，本轮 6 条盲区全部首跑**（TS-13~18 对应资产层/幽灵编号/
   双说话人/音频锚定/画外音/双口径混合），这些维度的"未知基线"已回填为实测分布：
   D1 新判据实测区间 96~100（除一处绑定形式缺陷）、D5 双口径实测 96~100、幽灵编号零发生、
   双向误用零发生。这是本轮最大的信息增益，样本量仍然偏小（各 1-4 条）。
5. **SKILL 文本膨胀**：v0.3.0 约 38 KB → v0.4.0 约 63 KB（+66%）。条款更密意味着调用时的注意力
   分摊更散；r2 在未修改的三章里反而冒出新扣点（D6 表述强度），不排除与篇幅有关。若下一轮分数
   不升反降，优先怀疑长度副作用而不是判据不足。
6. **未动过的外部事实仍不可达**（沿用 knowhow_v3 §7）：MiniMax 开放平台 schema、`conditions[].role`
   枚举第二信源仍未核实，本轮一切资产层判据刻意只依赖已被证实的 `uri` 与顺序两件事，不再扩大
   推断范围。

## 六、train/test 提醒（交接 Digester）

test_scenarios_v3 note_on_split 建议"下一轮首跑后优先用 TS-13~TS-18 回填 train 集"。本轮首跑已完成，
建议同时把上面 §四.2 的反问清单约定裁决一起并入下一版 benchmark —— 否则三场景会继续作为
口径噪声源随每轮波动。