结论：你遇到的问题本质是“模型打分与人工判断不一致”，工程上的做法不是让模型“理解美丑”，而是把人的验收标准拆成可检查的维度，并用人工标注数据校准评分。已有回答讲了审美的来源，下面补充验收节点具体怎么改。 一、为什么多模态模型常给糟糕的视频打高分 1. 评分标准模糊：只让模型“给观感打分”，模型会倾向给中高分，分数集中在一个小区间，区分度很差。 2. 抽帧信息不足：模型通常看的是少量抽帧，很难发现闪烁、形变、动作不连贯、口型错位这类需要时间维度才能发现的问题。 3. 缺少参照：没有给出好和坏的样例，模型没有可对齐的尺度。 4. 自身偏好：生成内容的评审模型对流畅、完整的画面容易宽容，对局部瑕疵不敏感。 二、把“观感”拆成可检查的维度 1. 先让人工筛查的同事写下常见的差评原因，比如人物面部变形、手部异常、画面抖动、字幕错误、音画不同步、色彩偏差。 2. 每个维度单独提问，要求模型回答是/否或给出明确证据，比如“第几秒出现面部变形”，而不是笼统打一个总分。 3. 总分由各维度按规则合成，并设置否决项：出现严重缺陷时，无论其他维度多好，直接判定不合格。 三、用人工标注数据做校准 1. 收集一批有代表性的样本，几十到几百条即可起步，由人工打出通过或不通过、以及原因。 2. 让评审流程在这批样本上跑，比较模型结论与人工结论的一致率，重点看“人工判差、模型判好”的漏检案例，把这些案例的特征补进提示词和规则。 3. 在提示词里加入正反例作为参照，并固定输出格式，减少评分漂移。 4. 对重要环节，用成对比较（A 与 B 哪个更好）代替绝对打分，成对比较的稳定性通常好于绝对分数，同时注意打乱 A、B 顺序，避免位置偏好。 5. 记录一致率、漏检率、误杀率，定期用新样本复测。 四、用确定性的指标补足 不要把所有判断都交给大模型，可以并行加入可计算的检查： - 分辨率、帧率、码率、时长是否符合要求。 - 相邻帧差异和光流，用于检测抖动和突变。 - 人脸检测的置信度和关键点稳定性，用于发现面部变形。 - 音频与字幕的对齐程度。 - 与原视频的结构相似度，判断是否偏离原内容。 这些指标可重复、可解释，与模型的主观评分互相印证。 五、落地建议 1. 设置人工抽检：模型判为高分的视频仍按一定比例抽样人工复核，把发现的新问题回灌到样本集。 2. 分数用区间管理：高分自动通过，低分自动拒绝，中间区间进入人工审核，减少误放行。 3. 评审提示词和模型版本要做版本管理，每次变更都用固定样本集回归，避免调整后效果变差而不自知。 总结：不要期待模型天然具备你的审美，而要把审美标准写成可检查的规则，用人工标注数据校准，并用确定性指标交叉验证，让模型只负责它擅长的部分。... 展开详请