# h3-video-prompt Retrain v5 · HUNT 结构化知识(knowhow_v5) - 任务:T-mtd7r60r(Retrain v5 · Phase 1 HUNT) - 采集日期:2026-08-28(UTC 17:05–17:29) - 猎手:innovator-hunt (Hunter) - 配套产物:`sources_v5.json`(信源清单 + 分级 + sha256 + negative_findings + blocked_sources)、`crawl_config_v5.json`、`cache_v5/`(34 文件全文落盘 + `_cache_manifest.json`) --- ## 0. 信源等级与证据纪律 | 级别 | 含义 | 逐字回查方式 | |---|---|---| | **A** | MiniMax 官方飞书文档一手 | `cache_v5/feishu_doc*.md` 行号(本轮新建立全文落盘制度) | | **B** | 社区 GitHub 仓一手实践 | `cache_v5/github//…` 行号 | | **C** | 个人方法论 / 无官方出处的自创词汇 | 同上,**只登记不采信**,禁止写成 SKILL 硬判据 | | **R** | 复用自 v4 已固化信源(本轮禁复抓,零请求) | `train/hunt/sources_v4.json` 的 `quotes`(含行号) | > **证据纪律(本轮自约束)**:每条结论都标级别;官方语料内部的互相矛盾不替选,只列双方证据(见 §4);B/C 级实践与官方冲突处一律「登记不采信」。**v4 之前的官方口径全部来自 GitHub 镜像(MiniMax-AI/MiniMax-H3 仓),本轮首次拿到官方一手飞书语料,因此 §1 大量条目属于「升级」而非「新增」——升级必须注明原出处与现出处。** > **v4 缓存制度缺口(重要)**:v4 轮没有把原文落盘,`train/hunt/` 下只有 `sources_v4.json` 注册表(sha256_16 + 抽样 quotes)。因此 v4 信源只能回查注册表内引句、无法回查全文。本轮起 `cache_v5/` 建立 34 文件全文落盘 + `_cache_manifest.json`,后续轮次可全文回查。两个 v4 遗留的 sha256_16 短哈希与全文 sha256 的对应关系不可直接比对(截断哈希)。 --- ## 1. 官方一手(A 级)核心知识 ### 1.1 模型硬参数(A|doc1:35)—— 之前从未有一手出处 | 项 | 官方值 | |---|---| | 输出时长 | **4–15 秒**(v4 只能引 GitHub README:73 "4–15 seconds",本轮升 A 级一手) | | 输出帧率 | 24 FPS | | 输出声音 | 所有结果全部带声音输出,**原生双声道** | | 提示词字数上限 | **不超过 7000 字符**(v4 完全没有这条,v5 必须新增为硬判据) | | 分辨率 | 768p 已开放;**1440p 官方推荐版**;768p 可升级至 1440p | | 宽高比 | 首/尾帧模式跟随输入图原始比例;文生视频 / 全能参考模式 21:9、16:9、4:3、1:1、3:4、9:16;全能参考另支持**自动模式由 H3 判断** | | 首尾帧入口 | 图片 0 / 1 / 2 张(无图即文生视频) | | 全能参考入口 | 图片 ≤ 9 张;视频 ≤ 3 段(单段 [2,15]s,总时长 ≤ 15s);音频 ≤ 3 段且**必须配图片或视频、不能单独输入**;混合输入总上限 **12 个文件** | | 传入大小 | 视频 50MB / 图片 30MB / 音频 15MB(单个);API 请求体 64MB | | 语言 | 多语言提示词输入输出;TTS 精准覆盖 11 种语言,可衍生 40+ 种 | ### 1.2 官方整体公式与四要素(A|doc1:195/:200) **`完整提示词 = 参考素材说明 + 核心创意 + 画面过程说明`**(doc1:195 逐字) 四要素在 doc1:200 表格逐项展开: 1. **参考素材说明** —— 告诉 H3 每个素材是干什么用的。写清**素材编号**(@图片1 / @音频2 / @视频3)+ **用途**;没有上传素材时整段跳过。官方枚举的用途词:人物参考(锁脸)/ 物体参考 / 场景参考 / 关键帧 / 音色参考 / **故事版(根据故事版分镜生成镜头内容)** / 风格参考 / 构图参考 / 音频复用 / 音频部分复用 / 动作参考 / 运镜参考 / 视频编辑。 - 官方强调:想要保持的特征要**明确写出来**,一致性更好。 - 音频复刻/部分复刻若对歌词/对白保持有要求,**强烈建议补充具体歌词文本**。 2. **核心创意** —— 一句话锁定全片信息,必须包含:**主体 / 地点 / 事件 / 题材风格 / 特殊运镜**。官方补充两条细则: - 环绕运镜**不要直接说环绕**,建议 `truck left + pan right` 或 `truck right + pan left`(A 级一手新增,见 §4 C-7); - 切镜风格四选:普通切镜(cut)/ 叠化切镜(fade)/ 随节奏卡点切镜 / 快切。 3. **画面过程说明** —— 按时间轴或故事线分段,每个分镜包含**「想要」+「不想要」**两部分。想要 = 画面景别 + 内容 + 运镜 + 动作 + 台词 + 音效;不想要 = 视频里不要出现什么(例如不要 BGM 时写 `非叙事性音乐:N/A` 或英文格式 `"non_diegetic_music": N/A`)。 - 官方明令:**尽量少写比喻句,多写看得见的画面**(H3 擅长明确的画面指令,不是抽象比喻)。 - 具体文字 / Logo / 标题 / 标语 / 按钮文案必须**写出原文**(例:手机屏幕上显示标题:"AI Video Creation",按钮文字为:"Start Now")。 > 与 v4 的关系:v4 的「三要素(景别机位/动作/UI结构)」来自 co-op 模板(R|s13),**不是**官方公式层。官方公式层的「三段式 + 四要素」本轮才首次到手,v5 SKILL 应以 doc1:195/:200 为最高层骨架。 ### 1.3 四类 VA 路径与 instruction(A|doc2:28–57) | 任务 | 定义(doc2:28–31) | 固定 instruction(逐字) | 出处 | |---|---|---|---| | T2VA | 根据文字构建完整视听时间线 | 无图片对齐 instruction,直接从三个主体字段开始 | :37 | | I2VA | T2VA 主体 + 首帧 instruction + 从首帧继续发展的画面路径 | `For the target video, at 0.00 seconds into the target video, (from [Shot 1]) is fully referenced.` | :42 | | FL2VA | T2VA 主体 + 首尾帧 instruction + 从首帧到尾帧的连续路径 | `How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video.` | :48 | | L2VA | T2VA 主体 + 尾帧 instruction + 从合理的前置状态收敛到尾帧的路径 | `How the reference pictures align with the target video — (from [Shot N]) aligns with the S.SS-second mark of the target video.` | :54 | **硬规则(doc2:57)**:`N` = 最后一个实际镜头编号;`S.SS` = 视频有效时长、**固定保留两位小数**;**instruction 必须位于最终 Prompt 的第一行,后面空一行再写主体字段**。 三主体字段顺序(doc2:62–66):`integrated_multimodal_description` → `overall_soundscape` → `non_diegetic_music`。 关键帧路径的推荐叙事结构(A 级): - I2VA(doc2:79):**首帧锚点 → 动作起点 → 连续变化 → 结果或反应** - FL2VA(doc2:87):**首帧状态 → 可观察的中间变化 → 差异逐步缩小 → 尾帧状态**;通常优先单镜头,尾帧必须由最后一个 `[Shot N]` 在视频结束时到达 - L2VA(doc2:93):**合理前态 → 明确的动作与变化路径 → 最后一个镜头逐步收敛 → 尾帧落点**;`` 属于最后一个 `[Shot N]`,**不是天然属于 Shot 1** ### 1.4 镜头与切镜(A|doc2:101–117) - 风格词官方枚举(:101):`Cinematic`、`live-action`、`2D-animated`、`3D CG`、`claymation`、`watercolor`、`vintage film`;关键帧任务风格**从参考图提取**,T2VA 按用户文字选择。 - **第一镜不写时间戳**(:107)—— 升级自 R|s02 base-en.txt:86。 - 后续镜头**连续编号** + **递增且位于视频时长范围内的切镜时间**(:111)—— 升级自 R|s02 base-en.txt:86。 - **切镜时间的官方具体格式:`[Shot 2] At 00:03.500, ...`(MM:SS.mmm 三位毫秒)**(:114、:455)。v4 习语甲未固化该格式,v5 应新增。 - 切镜动词官方白名单(:117):`the camera cuts to` / `the shot cuts to` / `the shot transitions to` / `the shot changes to` / `the shot switches to`,更高级的手法可灵活表述。 ### 1.5 运镜三维度与官方词汇全表(A|doc2:121–131) 三维度(:121):**运镜类型**(相机如何动)+ **幅度**(构图变化范围)+ **速度**(变化节奏);中等幅度和常速通常省略。升级自 R|s02 base-en.txt:94–96。 官方词汇全表(:123): - 运镜(12 组):`Zoom In/Out`、`Push In/Pull Out`、`Pan Left/Right`、`Truck Left/Right`、`Tilt Up/Down`、`Pedestal Up/Down`、`Arc Shot`、`Tracking Shot`、`Static Shot`、`Shake Slightly/Strongly`、`POV`、`Roll Clockwise/Counterclockwise` - 幅度(2 档):`with small amplitude`、`with large amplitude` - 速度(2 档):`at slow speed`、`at fast speed` 写入句式(:128–130):`The camera pushes in with small amplitude at slow speed toward the folded letter in her hands.` ### 1.6 说话人、台词、歌声、画外音(A|doc2:135–150) - **稳定编号 `(S1)`/`(S2)`/…/`(Sn)`**;多人同时发声用组合编号 `(S1,S2)`;同一说话人**跨镜头保持同一编号**;**没有发声的人物不分配编号**(:135)。——升级自 v4 内部推演,本轮 A 级一手。 - 说话人首次出现补稳定身份:人物类型、年龄、性别、是否出镜、音高、音色、语速、口音(:137)。 - `` 边界:称呼/编号/动作/说话方式写在 `` 外;`` 内**只写语言标签和实际语言内容,原词与标点逐字保留,不翻译不改写**(:137)。示例:`The young woman with a quiet, breathy voice (S1) says: [English] I get off at the next station.` - **画外音**:精确表达 `says in an off-screen voiceover`,且**每段画外音 `` 后立即写明对应人物嘴唇保持闭合**(:144、:147)。——升级自 R|s02 相邻条款推演,本轮 A 级逐字。 - 群体发声:整群统一发声共用一个编号;各自有编号的临时齐声用 `(S2,S3,S4)` 形式(doc2:475–483 官方示例)。 - **跨镜台词 / 结尾截断**:``(同一句台词跨切镜,两段连接位置各一个)+ ``(视频结束边界截断);连续性表达四个:`continues seamlessly across the cut`、`continues uninterrupted into the next shot`、`carries over from the previous shot`、`remains audible across the transition`(:150、:494–516)。 - **`` 只用于同一句台词/同一行歌词在切镜处被分成两段**;连续跨两次切镜时,中间镜头的 `` 以 `` 开头且结尾(:459)。 ### 1.7 画面文字与乱码转图(A|doc2:154–157、doc1:71) - 画面中实际可见的横幅、招牌、标识、字幕、霓虹文字:**英文双引号包围,原文与标点逐字保留,不翻译**(doc2:154)。示例 `A red neon sign reading "营业中" glows above the doorway.` —— 升级自 R|s02 base-en.txt:146。 - **★官方小Tips(doc1:71,v1–v4 从未有过)**:文字乱码时,**把文字以图片形式提供给 H3 作为参考图**,并在提示词中明确告诉 H3 ——「这张内容必须按“图片”来理解,不能按“文字”来处理」,通常能有效降低乱码。 → v5 应新增为「画面文字保真」分支判据:复杂文字/字体包装优先走参考图 + 按图理解声明,而不是纯文字描述。 ### 1.8 全能参考六段与标签体系(A|doc2:238–274) 六段顺序(:250):`subject_definitions` → `summary` → `retention_analysis` → `detailed_description` → `overall_soundscape` → `non_diegetic_music`。 四类引用标签(:267): | 标签 | 表示内容 | |---|---| | `` | 从参考素材抽象出、可在目标视频中复用或修改的**可见内容**(人物/动物/物体/场景/背景/服装/道具/界面/视觉特效/风格/动作/表情/姿态) | | `` | 作为具体目标帧或**镜头规划依据**的参考图片 | | `