用视觉模型做帧检查器：它抓到了什么，又放过了什么
视频
图像模型会在标牌上写假字、加水印，还会给人画出多余的手指。渲染后才发现坏帧，代价是重新渲染；渲染前发现，代价只是一次重绘。因此，Studio 绘制的每一张图都会先交给视觉模型检查。
检查如何运作
每帧都会缩小为长边不超过 1,024 像素的 JPEG，并附带一条指令：仅用 JSON 回答，包含 ok 真或假以及问题列表；若出现任何文字、字母、数字、水印或 logo，或手部、面部、身体变形，或图像损坏，则判为假。被拒绝的帧会用新的种子重绘，最多重绘你设定的次数。若没有一次重绘通过，任务会带着原因停止，而不是发布坏帧。纯色帧，或某些安全过滤器返回的黑方块，会在询问模型之前就被拒绝。
测试
我们使用编写脚本的同一个本地模型，由 vLLM 在我们的机器上提供服务，并给它四张我们的图像模型早前生成的图片：木桌上的一杯咖啡、白底上的一个苹果、书架前打电话的人，以及一张写着 “SALE 50% OFF” 的咖啡图。
- 三张干净的图片通过了，包括书架那张，我们原本以为书脊会触发误报。
- 带标语的图片被拒绝，原因是 “written text”。
- 在完整流程中，带标语的帧首先出现并被拒绝，重绘通过：该场景共两次绘制。
每次检查耗时 3 到 14 秒，当时模型正忙于其他工作。
它不做什么
视觉模型是第二双眼睛，不是保证。它可能漏掉小瑕疵，严格的指令有时也会拒绝你本会保留的图片，代价是一次重绘而非一段坏视频。四张图片只是接线检查，不是统计数据。亲自查看你的前几个视频，并根据所见收紧或放宽重绘限制。
Studio 使用服务器暴露的任何支持图像输入的模型运行此检查；留空视觉设置即可关闭检查。