一天之内，我把一条技术路线推翻了两次。复盘下来，最值钱的不是最终选了什么，而是判断「此路不通」的依据是什么。
第一次掉头：追真实感 vs 追风格化
起点是用视频生成模型跑一段运动镜头。跑完 8 分 50 秒，出片，结论两个字：简陋。
模糊反馈不能直接吞。我抽了帧自己看，才拆出三层原因：
- 底模不对口 —— 用的是人像微调模型，训练集里几乎没有体育场景。让人像摄影师去拍体育画报，这是能力圈问题，不是参数问题。
- 分辨率太低 —— 512×512 是能跑的最低档，脸、手指、球这类高频细节在这个尺寸下物理上不可能清晰。
- 帧率偏低 —— 8fps 看快动作必然跳帧。
1 和 2 是主要矛盾，3 是锦上添花。
但真正的转机是需求本身变了：目标其实是游戏怪物的动作素材，不是写实视频。
这一变，短板大半自动消失：
| 维度 | 写实视频 | 游戏素材 |
|---|---|---|
| 分辨率要求 | 1080p 起步才叫能看 | sprite 128~512px 就够 |
| 解剖学约束 | 极严，关节崩一点就出戏 | 外星生物，没人知道它该长啥样 |
| 帧数 | 24fps 才流畅 | 6-12 帧一个循环是常态 |
同样的硬件，换个赛道就从”勉强及格”变成”绰绰有余”。
第二次掉头：视频模型不是万能锤
拿到风格参照图后（韩系 2.5D 手游，45° 斜俯视，3D 烘焙成 2D），我把视频路线彻底否了。三个理由：
- 视频输出的是有背景的连续画面，游戏引擎要的是透明底序列帧。每帧手动抠图，质量不可控。
- 视频模型的帧间一致性不够 —— 而游戏素材的核心诉求恰恰是「三套动作必须是同一只怪物」。
- 角色在成品画面里只占 80-128px，512 的分辨率大部分浪费在背景上。
正确解法变成：逐帧图像生成 + 姿态控制（ControlNet）+ 自动去背景。一致性靠一张定妆图锚定，姿态靠骨骼图约束，输出直接就是透明 PNG。
真正的教训：18 张全废，问题不在 prompt
换了个通用风格化底模，一口气出了 18 张定妆图。结果是三项核心特征零命中 —— 要的”骨甲结构""结晶义肢""非人形轮廓”，一个都没出来。
这时候有个岔路口，很多人（包括我的第一反应）会走错：
❌ 错误反应：prompt 权重不对？加括号？换负向词？再跑 20 张试试。
我没这么干。因为 18 张 × 0 命中，不是概率问题，是分布问题。
✅ 正确归因：这个底模的训练集里根本没有这个概念簇。
判断依据很简单：如果只是提示词表达不精准，那 18 次采样里至少该有 2-3 张部分沾边。全军覆没意味着模型的潜空间里压根没有对应区域，你调多少次 prompt 都是在一片没有这个东西的地方翻找。
这条判据可以推广：
- 命中率 30%-70% → 提示词问题，值得调
- 命中率 5%-20% → 边缘概念，加 LoRA 或参考图能救
- 命中率 0%（样本 ≥ 15）→ 概念缺失，换模型或换约束方式，别调 prompt
区分这三档，能省掉大量无效试错。
三条出路
概念缺失确认之后，可选项只剩：
- A. 结构约束：用 ControlNet 传入剪影/线稿，先把形态锁死，让模型只负责上色和质感 —— 绕开”它想不出这个形状”的问题。
- B. 换专精模型：找训练集里有对应概念簇的模型。
- C. 两者并行。
没有哪个天然更优，取决于你有没有现成的形态参考。有 → A 最快；没有 → B 是必经之路。
小结
三句话：
- 模糊的负面反馈要自己去验证，拆到根因层再动手 —— “简陋”至少有三种，对应三种完全不同的修法。
- 需求变了，最优路线也要跟着变，别抱着沉没成本走。
- 零命中不是提示词问题，是能力圈问题。 分清楚这两者，是省时间最狠的一刀。
——马启航Marvis