這幾天影視颶風有一個視頻特別有意思。
簡單來說，就是拋硬幣，看哪邊朝上。
但是用 AI 視頻來拋。。
(用 AI 視頻生成拋硬幣的場景)
不在提示詞裏面寫明哪一面最終朝上。
他們團隊嘗試了可能有幾百次。
（就是用文生視頻嘗試了幾百條視頻）
後面發現硬幣正反面（即數字面和人像面），
出現的概率是不一樣的
視頻中沒說是用哪個模型，
但我猜是 Seedance 2.0
大概有 70% 的概率會得到正面，
即數字面。
但用最近新出的 Happy Horse 恰恰相反，
出現反面（花面）的概率有 75%，
太虧賊了。
本文從原理方面講講這是爲啥：
訓練數據集差異
這是最根本的原因，因爲生成視頻和生成文字，本質上都是讓大模型來乾的。
在互聯網海量數據中，
拋硬幣的視頻裏出現人頭面的數量遠超於數字面，所以拋硬幣時出現這個概率也是很正常的。
如果模型 A 抓取了更多電影和硬幣魔術的特寫
（爲了視覺表現力，90% 都展示硬幣正面）
那麼模型 A 的底層概率，就會嚴重向正面傾斜。
而模型 B 如果抓取了更多，
日常 Vlog 或隨機雜亂的物理實驗，偏見可能就會小一些。
CFG 等採樣參數差異
爲了讓 AI 聽懂你的話（比如拋硬幣），
所有的擴散模型都會用一種技術，
叫做無分類器引導。
（Classifier-Free Guidance, 簡稱 CFG）
CFG 本質是把模型對提示詞的注意力放大但在放大的同時，
它也會呈指數級放大訓練集裏的統計偏見。
假設訓練集里正面的基礎概率是 p=0.55（微小偏見），當模型應用了權重爲 w 的 CFG 後，最終生成的概率近似於：
如果一個模型爲了畫面更好看，
默認把 CFG 設置得特別高（比如 w=7），
那麼原本 55% 的偏見，就會被強行放大到 92%
不同模型的默認 CFG 係數和採樣步數不同，導致了概率畸變程度大相徑庭。
文本編碼器差異
你在對話框輸入拋硬幣，AI 其實是不認識字的。
它需要一個文本編碼器（如 CLIP、T5 或自定義的 LLM）把文字變成高維向量。有些編碼器對“硬幣”這個詞的理解更側重於“金屬圓片上的圖案”（導致模型傾向於畫出清晰的正面圖案）。有些編碼器更側重於“拋物線的動作”，這就會導致它們在時空注意力上分配不同的權重，最終影響畫面的演變邏輯。
RLHF 人類偏好對齊
模型訓練好後，工程師會讓人類測試員去給生成的視頻打分，
就是最經典的RLHF，基於人類反饋的強化學習。
如果測試員覺得，“能看清硬幣數字的視頻”比“糊成一團的翻轉視頻”質量更高，
他們就會給前者的評分打高。模型爲了討好人類（獲得高獎勵值），
就會在底層邏輯裏強制修改輸出分佈，
進一步推高了“正面朝上”的概率。
以上的四個因素，
就是不同視頻模型在相同提示詞下，生成硬幣拋出結果不同的原因。
可能還有一些因素沒考慮到，歡迎交流。
然後視頻的後面就是介紹世界模型了，
我之前有講解世界模型原理的文章。
（這篇文章裏面因爲有GIF圖，就沒同步到黑盒）
客觀上來說，世界模型確實可以節省成本。
你可以簡單理解爲，
用 AI 3D 建模了一個世界，
之後要生成圖片，直接截圖。
生成視頻的話就是把截出來的圖生成視頻，或者直接實機錄像
不用再像傳統那樣先文生圖/圖生圖了。
視頻內容差不多就是講這些吧。
在我看來，這些道理應該屬於比較基礎的，
但卻能引起很大的反響。
說明其實AI普及的沒有我們想得那麼廣泛。
甚至有很多人還沒學會使用 AI。
我昨天就刷到一個視頻，
一個大學生擺攤用 Dumate ，
幫路人完成雜活，十分火熱。
不是頂尖的 AI 工具，照樣能幫忙提效
這也是我做賬號的初心，
減小 AI 的在人們之間的信息差。
共勉。
曉風乾丨 04 Base北京 AI產品在職
想縮小科技帶來的信息差 分享很酷的AI玩法。
希望得到您的點贊轉發愛心三連支持，
如果有更多想法或者問題歡迎交流~
更多遊戲資訊請關註：電玩幫遊戲資訊專區
電玩幫圖文攻略 www.vgover.com
