GPT-6.1 Terra 用于视觉质量保证：检查故事板、活动素材和视频帧
视觉质量评估说起来容易，做起来难。“检查这个看起来是否合适”这一模糊要求，涵盖了布局、内容、品牌规则、连续性、可访问性和交付规范。当这一要求转化为可衡量的检查协议时，GPT-6.1 Terra 的视觉推理能力才更具实用性。
本指南介绍了一个用于静态图像和采样帧的问答系统。Terra 接受图像和文本输入并返回文本。它本身不支持视频，因此任何与视频相关的工作流程都必须识别用作证据的帧、转录文本或元数据。
从缺陷分类法开始
在将资产发送给模型之前，先创建问题类别。一次活动审查可能包括：
- 裁剪和安全区域违规。
- 文本溢出、截断或难以辨认。
- 缺少或不正确的标志。
- 必需的免责声明问题。
- 产品、包装或颜色不匹配。
- 层级混乱或内容对比度低。
- 尺寸或方向错误。
- 变体命名不一致。
故事板审查需要不同的类别：角色身份、服装、道具、屏幕方向、灯光、地理、镜头覆盖和过渡兼容性。在无关内容上重复使用通用评分标准会产生浅显的发现。
定义证据规则
每个报告的问题都应包括：
- 资产或帧ID。
- 包含问题的可见区域。
- 被违反的规则或参考。
- 与影响相关的严重程度。
- 最小有用的修正。
- 下一版本的验证测试。
当图片或政策中信息不足时，要求“不可验证”。这能减少给出武断答案的压力。
广告素材工作流程
对于每个渠道，提供尺寸、安全区域、品牌参考、强制性文案以及任何法律文本。然后分两轮检查素材。
第一遍检查客观要求：必需元素、可见文本、大致位置、裁剪安全性和文件变体。第二遍处理解释性问题，如层级关系或焦点主体是否保持可读性。
将这些通行证分开保存。缺失标志与主观认为布局拥挤属于不同类别的证据。
故事板工作流程
为每一帧编号，并提供已批准的角色和地点参考。请Terra对比相邻帧与规范素材。它可以识别出可见的不连续之处，以及未能清晰传达预期节拍的帧。
不要要求它从静态联系片中推断运动、节奏或声音。这些特性需要实际的序列。一份有用的报告可能会说，采样的结束帧将道具放在了不同的手中；它不应声称帧之间的运动是平滑的。
审查采样的视频帧
当原生视频输入不可用时，构建一个声明的采样方法。对于短镜头，捕捉第一帧、中间帧和最后一帧。对于较长或复杂的镜头，在场景变化、镜头转换或已知风险点处添加帧。
为每张图像标注时间戳和镜头ID。随后，Terra 可以检查身份漂移、文字变形、非预期的物体变化、裁剪问题，或者与下一镜头不匹配的结束帧。
采样有其局限性。它可能遗漏闪烁、单帧瑕疵、不规则运动、口型同步错误、时间问题以及音频缺陷。最终报告应说明这些盲区，而不是将样本呈现为完整的视频质检结果。
反映生产影响的严重程度
使用与操作相关的严重性定义：
- 严重： 权利、安全、法律或发布受阻问题。
- 高： 破坏身份、必需内容或叙事理解。
- 中等： 在最终交付前应纠正的可见质量问题。
- 低优先级： 可选的优化，对观众影响有限。
- 评审： 证据不明确或创作意图未知。
不要让模型仅凭措辞就判定为“严重”。在评分标准中定义该类别，并要求对高影响决策进行人工确认。
将检测与修正分离
首先让Terra报告证据。在发现被接受后，请求修订说明。这可以防止拟议的修正将不确定的观察结果描述为事实。
对于生成的内容，已接受的修订简报随后可转入 Elser AI，创作者可在其中使用图像、视频、角色、声音或故事工具。生成的结果应作为带有新资产ID的新版本返回QA循环。Elser AI和Terra是独立产品；此处描述的过程是一种编辑交接。
推荐输出模式
{
"headers": {
"row1": "视频",
"row2": "标题",
"row3": "时长",
"row4": "观看次数",
"row5": "上传时间"
},
"videourl": "https://example.com/video/12345",
"title": "如何制作完美的煎蛋",
"duration": "10:30",
"views": "1,234,567",
"uploaded": "2023-05-15"
}
{ "asset_id": "SC02_SH040_V3", "status": "修订", "issues": [ { "category": "character_continuity", "evidence": "左袖为蓝色；参考CHAR_A显示为红色袖子。", "severity": "高", "recommended_fix": "恢复红色左袖，同时保持姿势和光照不变。", "acceptance_test": "左袖与下一帧提交的CHAR_A匹配。" } ], "unverified_checks": [] }
当机器需要消费结果时，使用API的结构化输出功能。先验证模式，再验证观测本身。
## 衡量QA绩效
创建一个包含已知缺陷和干净对照的基准。跟踪问题召回率、误报率、严重性准确度、审查者一致性和修正时间。包括小文本、异常裁剪、低对比度元素、故意不连续以及证据不足的图像。
按问题类别划分的准确率比单一总体分数更有用。某个工作流可能在检测裁剪错误方面表现可靠，但在字符识别方面效果不佳。根据证据对不同类别进行差异化路由。
## 安全与权利考量
视觉素材可能包含未发布的产品、个人数据、客户信息或授权角色。上传前请检查组织政策、数据管控和分发权限。尽量减少暴露的数据，避免在截图中包含凭证或不必要的个人信息。
如果计算机操作涉及移动或更新文件，请使用隔离环境、限制权限、对重大变更进行审批，并进行最终状态检查。
## 常见问题解答
### Terra能否证明某项资产在法律上是合规的？
不。它可以支持清单并指向可见证据。合格的人类审查者仍负责法律、监管、权利和政策批准。
### 视觉质量保证应使用何种图像细节级别？
OpenAI 支持依赖于模型的细节设置。请使用能够保留最小相关证据的设置，测试其 token 成本，并查阅当前的视觉指南。密集文本或对坐标敏感的屏幕可能需要更高的保真度。
### 团队如何减少误报？
提供明确的参考依据，将客观检查与主观检查分开，要求可见证据，增加不确定状态，并在清洁资产和有缺陷的资产上进行测试。
## 一个可辩护的视觉问答系统
Terra 可以在工作流程定义缺陷、证据、严重程度和验证步骤时，使视觉审查更快、更一致。它不应被用来将采样帧伪装成原生视频审查，或将模型建议伪装成最终批准。最强大的系统会在每份报告中保留这种区分。
