10.2 废片率与重试

10.2 废片率与重试

本节摘要：废片率是质量与成本的交汇点：每一次废片都是一次白花的生成秒数，每一次重试又都是一次新的成本与新的希望。本节先给定义与统计口径——废镜头数除以总生成镜头数，按阶段与原因双维度切；然后把废片原因收进三类：语义跑偏（画面没表达分镜意图）、一致性崩（角色或风格跳变，第 9.2 节的残余敌人）、技术瑕疵（畸变、抖动、文字乱入、时长不足）；判定分工遵循第 8.1 节原则——规则先筛、独立模型粗筛、人工终审。重试策略的核心是"只重跑坏镜头"加"对症下药"：语义跑偏改提示词、一致性崩回参考图与 seed、技术瑕疵换 seed 降运动；每镜头设重试预算，超限转人工改分镜。边际收益表说明为什么预算通常设在两到三次。

学习目标

• 定义并正确统计废片率，按原因维度切片归因。
• 区分三类废片原因并写出各自的判定线索。
• 为每类原因选择对症的重试手段，而不是盲目重抽。
• 用重试预算与边际收益决定何时止损改分镜。
• 维护废片台账并以周为单位看趋势。

一、废片率：定义与口径

废片率等于废镜头数除以总生成镜头数。口径有两个细节：其一，统计单位是"生成次数"而不是"镜头数"——一个镜头重跑三次全废，贡献三个分子；其二，按阶段分账——生成废片、粗剪废片、成片打回是三个不同的问题，混在一起会互相污染归因。废片率直接乘以生成单价就是重跑成本（第 10.1 节核算表里那一行），所以这个数字每周都值得看一眼。

废片率的成本视角（示意）

 首轮生成 40s ──▶ 通过 28s（通过率 70%）
 重试一轮 12s ──▶ 通过 8s（该轮通过率约 67%）
 再试 4s     ──▶ 通过 2s
 总花费 56s 换 38s 可用镜头：废片率约 32%
 每降 10 个百分点 ≈ 单条成本降约 6%（示意口径）
​

二、原因三分类

分类的意义在于处置不同：语义跑偏是"沟通问题"（提示词与模型没对齐），一致性崩是"锚定问题"（参考与 seed 失守），技术瑕疵是"采样问题"（随机性落在了坏点）。判定分工沿用第 8.1 节：规则先筛（时长、黑帧、分辨率，机器秒级完成）、独立的多模态模型粗筛语义贴合（以所用模型能力为准）、人工终审拿不准的样本。人只处理机器筛剩下的疑难件，这是审核带宽（第 9.3 节）能撑住量产的前提。

三、对症重试：只重跑坏镜头

重试的第一纪律来自第 8.3 节：粒度永远是镜头，绝不整条重做。第二纪律是对症：三类原因各有一号药。

# classify_retry.py —— 按废片原因选择重试动作，并执行重试预算
import json

BUDGET = {"semantic": 2, "consistency": 2, "technical": 3}
ACTION = {
    "semantic":    "收紧提示词：主语前置、动作量化，删掉比喻与副词后重试",
    "consistency": "回第 9.2 节：核对角色卡版本与 seed 族，必要时重出首帧",
    "technical":   "换 seed 重采样，运动强度降一档，或延长生成秒数补黑尾",
}

def decide(reject):
    reason = reject["reason_class"]
    tried = reject.get("retries", 0)
    if reason not in ACTION:
        return {"action": "escalate", "note": "未知原因，直接转人工"}
    if tried >= BUDGET[reason]:
        return {"action": "escalate", "note": "超出重试预算，转人工改分镜"}
    return {"action": ACTION[reason], "retries_after": tried + 1}

def main(log_file="ledger/reject_log.jsonl"):
    for line in open(log_file, encoding="utf-8"):
        if not line.strip():
            continue
        reject = json.loads(line)
        print(reject["shot_id"], reject["reason_class"], "->",
              decide(reject)["action"][:40])

if __name__ == "__main__":
    main()
​

预算数字的直觉：一致性崩与语义跑偏若两次对症调整仍不通过，说明问题多半不在运气而在结构（分镜本身难生成）；技术瑕疵的随机性强，可以多给一次抽卡机会。预算存在镜头契约的 attempts 字段（第 8.3 节），全流水线共享同一份计数。

四、边际收益与止损

重试不是免费的抽卡：示意数据（口径随模型与题材浮动）——首轮通过率约五到六成；对症重试后累计通过率第二轮到七到八成，第三轮勉强八成多。收益急剧递减的原因很直白：容易生成的镜头首轮就过了，剩下的本来就是难啃的骨头。所以止损线画在"改分镜成本低于期望重试成本"处：改分镜是改文本（几乎免费）加一次全新生成；而第五次重试是又一次按秒计费、且通过率不高的赌博。经验法则：同一镜头累计三次失败，停下来看分镜——通常是动作太复杂、主体太多、或景别要求超出模型舒适区，改成分镜语言（拆两个镜头、换景别）比继续抽卡便宜。

五、废片台账

每一次打回都落一行 JSONL，字段固定：镜头号、原因分类、现象细节、处置动作、处置结果。台账的三种消费方式：日 operational——失败镜头清单直接喂给第 8.3 节的隔离重跑；周复盘——按原因分类看趋势，一致性崩占比升高说明角色卡该更新或风格模板被改坏了；月归因——某类题材的语义跑偏长期偏高，说明该题材的提示词模板需要专门沉淀。台账与第 9.3 节账目表的 reject_shots 列同源，与第 10.1 节成本台账通过镜头号互查——每一美元的重跑开销都能回溯到具体原因。

字段集之上再补一个时间戳 at（ISO 日期），日、周、月三级汇总全靠它切时间窗。周汇总不必手工数，一段标准库脚本就能出趋势：

# weekly_rejects.py —— 从废片台账汇总每周打回次数与原因分布（示意）
import collections
import datetime
import json

def week_key(iso_date):
    year, week, _ = datetime.date.fromisoformat(iso_date).isocalendar()
    return f"{year}-W{week:02d}"

def main(log_file="ledger/reject_log.jsonl"):
    weeks = collections.defaultdict(collections.Counter)
    for line in open(log_file, encoding="utf-8"):
        if not line.strip():
            continue
        row = json.loads(line)
        weeks[week_key(row["at"])][row["reason_class"]] += 1
    for week in sorted(weeks):
        counter = weeks[week]
        total = sum(counter.values())
        detail = ", ".join(f"{name} {count}" for name, count in counter.most_common())
        print(f"{week} 打回 {total} 次：{detail}")

if __name__ == "__main__":
    main()
​

脚本只有一个关键点：week_key 用 ISO 周历把日期归到自然周，跨年周不会错位。输出一行一周、原因按次数降序——趋势表不需要图表，纯文本就对齐了。

六、一次周复盘走查

把上一节的消费方式演示一遍。本周产出六条成片、每条八镜头，首轮生成 48 次；台账切片如下（数字均为示意值）：

再看趋势抓异常（数字为示意值）：一致性崩 6 次，占打回总数约三成二，而上周 12 次打回里一致性只有 2 次。按日切窗，异常集中在周三之后——翻 prompts.json 的契约记录，发现周三角色卡升过版本、新旧镜头混用。处置回到第 9.2 节的纪律：受影响镜头按新版本重做，并把"换卡必须全剧重对齐"写进操作清单。这就是周复盘的完整闭环：看趋势不是为了报数，是为了在周三就发现异常，而不是月底看账单时。

七、常见问题与排查

问题一：机器粗筛放行，人工终审打回。 人工优先，判定权在人。关键是善后：把漏判样本登记进台账，现象细节写清"机器为何没拦住"，月末统一沉淀成新规则或调粗筛阈值——门禁是活的，靠漏判样本喂养（第 10.3 节）。

问题二："勉强能用"的镜头算过还是算废。 "勉强"说明判据缺失。把主观感觉拆成可查项：黑尾有没有、时长够不够、语义贴合几分（第 8.1 节的验收条件思路），拆完自然归进三分类之一。判据不清时按废处理——放宽的口子一旦打开，通过率就失去意义。

问题三：重试预算能不能全局调大。 先看边际收益：示意口径下第三轮之后的累计通过率增幅已经很小，调大预算烧掉的是生成秒数。个别题材确需多次抽卡，就单独设该题材的预算，不全局改。

问题四：废片率多少算正常。 没有普适值，唯一有效的参照是自己的周基线。健康曲线是首月高、随模板与角色卡沉淀逐步下探；只升不降说明出了系统性问题——模板被改坏、角色卡被换、或新题材超出模型舒适区。

问题五：改分镜后，原来的废镜头还留吗。 留。台账要完整，废片也是账：月度归因、废片率统计都依赖完整的分子分母。文件本体移入隔离归档目录（第 8.3 节），记录不清删。

本节要点回顾

• 废片率按生成次数统计、按阶段分账，直接换算为重跑成本。
• 三分类对症下药：语义改提示词、一致性回锚定、技术换 seed。
• 判定分工：规则先筛、独立模型粗筛、人工终审疑难件。
• 重试粒度永远是镜头；预算两到三次，超限止损改分镜。
• 台账日喂重跑、周看趋势、月做归因，与成本账互查。

废片被拦下了，但"谁来拦、在哪拦"还没有正式建制。下一节把散落各章的检查收编为正式的质量门禁：自动检查守下限，人工抽检守上限，质量分台账给每条片一个可追溯的分数。