先说结论：AI 视频模型的压力测试，变量不是画面规模，是要素密度。我按“场面越大越难”的思路测了大半个月，结论全都不可复现，改成按密度分层之后，两天就跑出了稳定判断。
这篇记录的是我自己推翻重来的一轮测试方法，不是评测教程，但同样在为选型纠结过的人，这份踩坑记录应该能省点时间。
起因：一次没有结论的测试
当时要为项目选一个视频模型，我挑了几条看起来最难的提示词——大场面、多人物、长镜头——分别跑一轮。结果是几个候选都失败，或者都勉强能用。这种结果没法支撑决策。
当时我的判断逻辑很朴素：能搞定大场面，说明能力强。
我做了什么
第一步是把测试按要素密度分四级：从单主体单动作，一路加到多主体互动、障碍物碰撞，再到叠加旁白字幕与分镜结构。
分级的依据是约束数量，不是画面大小。每多一类要素，就多一重必须同时成立的约束。
第二步是准备多素材场景，明确每一项素材的预期用途，再逐项核对是否真的被用上。
这一步的重点是先把预期写下来。没有预期清单，就无法判断素材是否真的被使用。
第三步是统计长提示词的命中率，并把未命中项单独列表。
我把每一条要求编号，逐条标记命中与否。编号这一步看起来多余，实际是后面定位问题的基础。
第四步是测局部编辑，看能不能只改一小段而不动整体。
前后对比
| 测试维度 | 改造前 | 改造后 |
|---|---|---|
| 难度设定 | 按画面规模挑 | 按要素密度分四级 |
| 素材核对 | 看画面是否正常 | 逐项核对素材是否被使用 |
| 结果评价 | 主观判断好不好 | 统计命中率并列失败点 |
| 失败处理 | 整段重新生成 | 局部替换后验收三项条件 |
| 结论复用 | 每次重新想提示词 | 分层模板 + 版本标注 |
四个坑
坑一：以为场面越大越难。实际上大场面容易糊弄过关，高密度要素才逼得出失败点。
这是最容易犯的错。大场面要素少，反而容易过关；高密度要素才会逼出真实的失败点。
坑二：只看画面正常就认为素材都用上了。多素材场景下很常见“静默忽略”——部分素材根本没被使用，但画面看起来没问题。
这一点坑我最久，因为它的表现太不明显了。画面完全正常，但拆开核对发现有两项素材从未生效。
坑三：只记录总命中率。真正有诊断价值的是失败点分布，未命中项必须单独列出来。
坑四：不做版本标注。我最早的产物只有日期没有版本号，后来同一个模型更新过一次，历史结论全部作废。
版本标注的价值在复测时体现。同一个模型更新后，旧结论可能完全反过来，没有版本号就无法判断是变好还是变差。
两个反直觉的发现
第一个是局部编辑的价值。它看起来只是省了几次重试，实际上改变的是成本结构——不能局部改的时候，成本随瑕疵数量快速上升；能局部改之后，整体结构可以保留。
能不能局部改，比能不能一次做对更影响实际产能。
第二个是指令理解的宽容度。用刻意粗糙的输入测试，模型若能区分“这是示意不是成品”，并按要求修正，说明它开始理解意图而非字面。这一点对不擅长写提示词的人影响很大。
这一项对团队里不擅长写提示词的同事意义更大，他们的表达习惯第一次不再构成障碍。
当表达成本高于创作成本，被筛掉的不是能力，是偏好。
写在最后
如果只记一句话：把压测的难度变量从“画面规模”换成“要素密度”。这样得到的结论可复现，也能直接用于版本复测。
分层模板建好之后，后续每次复测直接套用，边际成本会低很多。
能复现的测试，才是有效的测试。
