用視覺模型做畫面檢查：它抓到了什麼、又放過了什麼
影片
圖像模型會在招牌上寫出假字、加上浮水印，並讓人多出幾根手指。渲染後才發現的壞畫面要重新渲染；渲染前發現，只需重畫一次。因此 Studio 畫出的每張圖都會先給視覺模型看。
檢查如何運作
每張畫面會縮小為長邊最多 1,024 像素的 JPEG，並附上一條指令：僅以 JSON 回答，ok 為 true 或 false 並列出問題，若有任何文字、字母、數字、浮水印或標誌，或手部、臉部、身體變形，或畫面損壞，皆回答 false。被拒絕的畫面會用新的隨機種子重畫，最多重畫到你設定的上限。若沒有任何一張通過，任務會帶著原因停止，而不是發布壞畫面。若畫面是純色，或是某些安全過濾機制回傳的黑方塊，會在詢問模型前先被拒絕。
測試
我們使用撰寫腳本的同一個本地模型，由 vLLM 在我們自己的機器上提供服務，並給它四張我們的圖像模型先前生成的圖片：木桌上的咖啡杯、白底上的蘋果、書架前講電話的人，以及寫著「SALE 50% OFF」的咖啡圖。
- 三張乾淨的圖片通過了，包括書架圖，我們原本預期書脊會觸發誤報。
- 帶有標語的圖片被拒絕，原因為「文字」。
- 在完整迴圈中，帶標語的畫面最先出現，被拒絕，重畫後通過：該場景共畫了兩次。
每次檢查耗時 3 到 14 秒，當時模型正忙於其他工作。
它做不到什麼
視覺模型是第二雙眼睛，不是保證。它可能漏掉小瑕疵，而嚴格的指令有時會拒絕你會保留的圖片，這只會多一次重畫，而不是壞影片。四張圖片是線路檢查，不是統計數據。請親自觀看你的前幾支影片，並根據所見調整重畫上限。
Studio 使用伺服器上任何支援圖像輸入的模型執行此檢查；將視覺設定留空即可關閉檢查。