GPT-6.1 Terra 用於視覺品質保證：檢查故事板、活動素材和影片幀
視覺品質評估說起來容易，做起來難。「檢查這個看起來是否合適」這一模糊要求，涵蓋了佈局、內容、品牌規則、連續性、可及性和交付規範。當這一要求轉化為可衡量的檢查協議時，GPT-6.1 Terra 的視覺推理能力才更具實用性。
本指南介紹了一個用於靜態圖像和取樣幀的問答系統。Terra 接受圖像和文字輸入並回傳文字。它本身不支援影片，因此任何與影片相關的工作流程都必須識別用作證據的幀、轉錄文字或元資料。
從缺陷分類法開始
在將資產發送給模型之前，先建立問題類別。一次活動審查可能包括：
- 裁剪與安全區域違規。
- 文本溢出、截斷或難以辨認。
- 缺少或不正確的標誌。
- 必要的免責聲明問題。
- 產品、包裝或顏色不匹配。
- 層級混亂或內容對比度低。
- 尺寸或方向錯誤。
- 變體命名不一致。
故事板審查需要不同的類別：角色身份、服裝、道具、螢幕方向、燈光、地理、鏡頭覆蓋和轉場兼容性。在無關內容上重複使用通用評分標準會產生淺顯的發現。
定義證據規則
每個報告的問題都應包括：
- 資產或幀ID。
- 包含問題的可見區域。
- 被違反的規則或參考。
- 與影響相關的嚴重程度。
- 最小有用的修正。
- 下一版本的驗證測試。
當圖片或政策中資訊不足時，要求「不可驗證」。這能減少給出武斷答案的壓力。
廣告素材工作流程
針對每個渠道，提供尺寸、安全區域、品牌參考、強制性文案以及任何法律文字。然後分兩輪檢查素材。
第一遍檢查客觀要求：必需元素、可見文本、大致位置、裁剪安全性和檔案變體。第二遍處理解釋性問題，如層級關係或焦點主體是否保持可讀性。
請將這些通行證分開保存。缺失標誌與主觀認為佈局擁擠屬於不同類別的證據。
故事板工作流程
為每一幀編號，並提供已批准的角色和地點參考。請Terra對比相鄰幀與規範素材。它可以識別出可見的不連續之處，以及未能清晰傳達預期節拍的幀。
不要要求它從靜態連絡片中推斷運動、節奏或聲音。這些特性需要實際的序列。一份有用的報告可能會說，取樣的結束幀將道具放在了不同的手中；它不應聲稱幀之間的運動是平滑的。
審查採樣的影片幀
當原生影片輸入不可用時，建構一個聲明的取樣方法。對於短鏡頭，捕捉第一幀、中間幀和最後一幀。對於較長或複雜的鏡頭，在場景變化、鏡頭轉換或已知風險點處添加幀。
為每張圖像標註時間戳和鏡頭ID。隨後，Terra 可以檢查身份漂移、文字變形、非預期的物體變化、裁剪問題，或者與下一鏡頭不匹配的結束幀。
取樣有其局限性。它可能遺漏閃爍、單幀瑕疵、不規則運動、口型同步錯誤、時間問題以及音頻缺陷。最終報告應說明這些盲區，而不是將樣本呈現為完整的影片質檢結果。
反映生產影響的嚴重程度
使用與操作相關的嚴重性定義：
- 嚴重： 權利、安全、法律或發佈受阻問題。
- 高： 破壞身份、必需內容或敘事理解。
- 中等： 在最終交付前應修正的可見品質問題。
- 低優先級： 可選的優化，對觀眾影響有限。
- 評審： 證據不明確或創作意圖未知。
不要讓模型僅憑措辭就判定為「嚴重」。在評分標準中定義該類別，並要求對高影響決策進行人工確認。
將檢測與修正分離
首先讓Terra報告證據。在發現被接受後，請求修訂說明。這可以防止擬議的修正將不確定的觀察結果描述為事實。
對於生成的內容，已接受的修訂簡報隨後可轉入 Elser AI，創作者可在其中使用圖像、影片、角色、聲音或故事工具。生成的結果應作為帶有新資產 ID 的新版本返回 QA 循環。Elser AI 和 Terra 是獨立產品；此處描述的過程是一種編輯交接。
推薦輸出模式
{ "headers": { "row1": "影片", "row2": "標題", "row3": "時長", "row4": "觀看次數", "row5": "上傳時間" }, "videourl": "https://example.com/video/12345", "title": "如何製作完美的煎蛋", "duration": "10:30", "views": "1,234,567", "uploaded": "2023-05-15" }
{
"asset_id": "SC02_SH040_V3",
"status": "修訂",
"issues": [
{
"category": "character_continuity",
"evidence": "左袖為藍色；參考CHAR_A顯示為紅色袖子。",
"severity": "高",
"recommended_fix": "恢復紅色左袖，同時保持姿勢和光照不變。",
"acceptance_test": "左袖與下一幀提交的CHAR_A匹配。"
}
],
"unverified_checks": []
}
當機器需要消費結果時，使用API的結構化輸出功能。先驗證模式，再驗證觀測本身。
衡量QA績效
建立一個包含已知缺陷與乾淨對照的基準。追蹤問題召回率、誤報率、嚴重性準確度、審查者一致性與修正時間。包括小文本、異常裁剪、低對比度元素、故意不連續以及證據不足的圖像。
按問題類別劃分的準確率比單一總體分數更有用。某個工作流可能在偵測裁切錯誤方面表現可靠，但在字元辨識方面效果不佳。根據證據對不同類別進行差異化路由。
安全與權利考量
視覺素材可能包含未發佈的產品、個人資料、客戶資訊或授權角色。上傳前請檢查組織政策、資料管控和分發權限。盡量減少暴露的資料，避免在截圖中包含憑證或不必要的個人資訊。
如果電腦操作涉及移動或更新檔案，請使用隔離環境、限制權限、對重大變更進行審核，並進行最終狀態檢查。
常見問題解答
Terra 能否證明某項資產在法律上是合規的？
不。它可以支援清單並指向可見證據。合格的人類審查者仍負責法律、監管、權利和政策批准。
視覺品質保證應使用何種影像細節層級？
OpenAI 支援依賴於模型的細節設定。請使用能夠保留最小相關證據的設定，測試其 token 成本，並查閱當前的視覺指南。密集文字或對座標敏感的螢幕可能需要更高的保真度。
團隊如何減少誤報？
提供明確的參考依據，將客觀檢查與主觀檢查分開，要求可見證據，增加不確定狀態，並在清潔資產和有缺陷的資產上進行測試。
一個可辯護的視覺問答系統
Terra 可以在工作流程中定義缺陷、證據、嚴重程度和驗證步驟時，讓視覺審查更快速、更一致。它不應用來將取樣幀偽裝成原生影片審查，或將模型建議偽裝成最終核准。最強大的系統會在每份報告中保留這種區別。
