在流水线末端放五个质检员，各查一样东西。
他们现在是实习期——照常检查、照常记录，但没有按停机键的权力。
AI 生成一条视频，很少一次就能用。实际流程是：机器出片 → 人看一遍 → 说哪儿不对 → 改 → 再看，平均来回三到四轮。
「人看一遍」这步不自动化，产品就没法交给客户自己用——客户身边不可能站个人盯着。
所以要把这一遍换成机器看。
但有个关键区别：机器要说的不是「这条片子 7 分」，而是「第 7 个镜头画面不对题」。
前者是体检报告，后者是医生。打个分没法让机器自己去改，指到具体哪一镜才可以。
| 查什么 | 说人话 |
|---|---|
| 镜头撞车 | 二十几个画面里，是不是有八个都是同一个客厅 |
| 闪切 | 一段片子中间有没有突然闪过别的画面 |
| 口型崩坏 | 人物整张下半脸有没有被糊成一团 |
| 口型偏移 | 嘴和声音对不对得上，具体哪一秒不对 |
| 停顿异常 | 句子中间有没有不该有的长空白 |
一条命令挨个跑完，出一张表。
✓ 查过了，没事
✗ 查过了，有问题
! 压根没查成（目录给错了、文件名不匹配、依赖没装）
以前只有前两种。「没查」和「查过没事」在系统里长得一模一样，都是一个绿灯。
结果就是：某条片子的闪切检查因为文件名对不上，从头到尾一次都没跑过，而所有人都以为查过了。
系统建好后做了一次实测：把闸门报警的那一段、和它判「通过」的另一段，都拿给人听。
两边都翻了。
而且被漏掉的那段，分数是同批里最好的一档。
也就是说，那一刻它拦的是错的、放的也是错的。
如果当时有权停机，会把好素材扣下、把坏的放出去。
所以现在这样安排：它跟着流水线跑、把每次报警记进一个账本，但拦不住任何东西。
每条片子做完，人在账本里填一句「它报的对不对、有没有漏」。攒够几轮就知道它几分准，那时才把拦截权交给它。
值得单独说，因为它解释了这类系统最容易犯的错。
口型检查原本只看整段的平均分。而问题是：一段一秒半的片子里，只有一个字的口型做错了，其余三十多帧都对得上——平均下来照样是高分。
修法是不再只看平均分，而是把整段切成几十个小窗口，逐个窗口打分，找异常深的坑。
实测十四段：出问题那段的最深坑只有段内中位的 24%，而正常段都在 44% 到 68% 之间。用 30% 划线，正好只捞出它，同时之前那个误报也自动消失了。
改完之后，系统还自己预测出另一段有问题，指到具体第几秒。拿去让人听——确认了。
做镜头撞车检测时，连试六种方法全部惨败。据此下结论「这活绕不开大模型」，下了 8 个多 G 的模型、改了两版提示词、跑了两轮推理。
全是白做的。
真相是：标准答案取自「修改前」的素材，而实验数据取的是同一批素材「修改后」的版本——两者的生成时间差了几分钟。在修好的东西上找没修时的问题，方法当然全败。
换对靶子重跑，最土的那个方法（把画面缩成 16×16 的小图比构图）直接反转成前七名全中。
撞车检测第一版用了一个固定的相似度阈值，在室内全景图上标定得很准。
拿到特写类素材上一试就废：同一面墙上的两个水管特写（真撞车）分数不够线被漏掉，而地砖和白墙这两个毫不相关的反倒差点报警。
原因是相似度的绝对值随素材类型漂移——全景图之间天然就比特写之间更「像」。
检查「画面对不对题」时，第一版拿模型描述的词跟预期标签做字符串比对。二十六张里报了十六个不对题——绝大多数是同义词：「地板」对「地砖」、「罗马杆」对「窗帘杆」、「柜子」对「衣柜」。
改成直接问模型「这张画面是不是在拍 X」，并要求放宽判断，报警从十六个降到两个。
五个质检员全部本地运行，零 API 费用。整套跑一条片子几十秒。
另有两项检查（画面对不对题、有没有第三方品牌标识）需要跑本地视觉模型，十几分钟一条，太慢塞不进流水线，交付前单独跑一次。这两项同样不花 API 钱。