MiniMax H3 实测：用超长提示词还原「桌面女孩」创意视频

一次充满野心的 AI 视频生成实验

近日，一位 Reddit 用户分享了使用 MiniMax H3 视频模型复刻「桌面女孩（Desktop girl）」创意的实验成果。这个创意本身颇具巧思：一位穿着印有「Good Night」字样奶油色卫衣的年轻女子，坐在电脑桌面前打瞌睡，头一歪撞上屏幕，把桌面上的几个图标「撞」了下来，随后她揉着额头、尴尬一笑，再一个个把图标拾起放回原位——一场发生在 Windows 桌面里的「魔幻现实主义」小剧场。

从作者的反馈来看，成果喜忧参半：整体效果基本还原了创意，但「有些图标中途消失了，而且也没有完全按照提示词执行」。这恰恰揭示了当前 AI 视频生成在精细化控制上的真实边界。

提示词工程：一份近乎「电影分镜脚本」的输入

这次实验最值得关注的，是作者所使用的提示词。它并非简单的一句话描述，而是一套结构化、接近专业分镜脚本的超长 prompt，每段视频时长仅 10 秒。整套提示词被拆分为多个模块：

主体定义（Subject Definitions）

作者把画面元素拆成四个「主体」并逐一锁定：

• Subject 1：居中的年轻女性，要求「保留其精确的面部身份、齐肩深色头发、奶油色猫咪图案卫衣、格纹睡裤、身体比例与照片级写实渲染」。
• Subject 2：恰好三个桌面图标——「Steam」「Videos」「Notepad」，明确要求保留图形、标签、快捷方式箭头、尺寸与间距。
• Subject 3：桌面其余不受影响的部分，包括「Outlook」图标、图标网格、任务栏与时钟区域。
• Subject 4：温暖的夜间卧室背景，含床、熟睡的猫、床头灯、墙上照片与植物。

这种「主体分层 + 保留清单（retention_analysis）」的写法，本质上是在告诉模型：什么必须变、什么绝对不能变。作者反复强调「fully_preserved（完全保留）」，试图用语言把每一个视觉锚点钉死。

这种「主体分层」写法借鉴了专业视觉特效（VFX）制作中的「图层分离」思维。在传统影视后期中，合成师会将前景角色、交互物件、背景环境分别处理，以便对每一层做精细控制而不干扰其他层。将这套逻辑迁移到提示词设计中，本质上是在用自然语言模拟「遮罩（mask）」与「锁定图层」的概念——强制要求模型在生成时区分「需要动」的元素与「必须静止」的元素。这对文本驱动的扩散模型来说是一种挑战，因为这类模型在训练时并没有显式的物体分层概念，它只能通过注意力机制（attention）去推断哪些 token 对应哪些像素，因此高度结构化的提示词实际上是在间接引导注意力的分布，而非真正「锁定」某个视觉区域。

逐帧时间轴控制

更极致的是，提示词精确到了毫秒级的动作时间轴。例如：

• 00:00.000–00:01.800：眨眼变慢、眼皮闭合、下巴下垂、进入睡眠；
• 00:01.800–00:03.350：上半身向画面左侧倾倒，额头领先；
• 00:03.350：额头撞击屏幕，界面抖动两三帧，恰好撞落三个图标；
• 00:03.600–00:12.000：睁眼、揉额头、尴尬微笑、低头看图标。

作者甚至连音效都写进了 overall_soundscape：额头撞玻璃的低频闷响、三次图标脱落的清脆咔哒声、下落时的数字杂音与她受惊的吸气声。

分段续写：让两段 10 秒视频「无缝衔接」

由于单段时长限制在 10 秒，作者采用了分段续写的策略。第二段提示词中的 integrated_multimodal_description 明确要求：「从前一段视频自动继承的最后一秒无缝衔接，不要重置场景、不要重复跌倒、不要回放额头撞击、不要引入镜头切换。」

第二段的核心动作，是女子逐个把掉落的图标拾回原位——每次只移动一个图标，「Outlook」「Notepad」「Videos」「Steam」依次归位，还要用指尖做两次微调对齐，最后露出如释重负又略带尴尬的微笑。这种「拿起—放回—对齐」的连续动作，对模型的物体一致性追踪提出了极高要求。

分段续写（也称「视频外推」或「滚动生成」）是目前突破单次生成时长限制的常见工程手段。其核心思路是将上一段视频的最后几帧作为下一段的条件输入（conditioning frames），使模型在生成新内容时以已有画面为「锚点」，从而维持角色外观、场景光照与动作连贯性。然而这种方式存在「误差累积」风险：若第一段末尾已出现轻微的人物形变或场景偏移，第二段会将这些偏差当作「正确状态」继续生成，导致问题随段落增加而放大。此外，由于每段都需要重新理解提示词，模型有时会将「不要重置场景」的指令理解为允许做细微重置，因此作者在第二段提示词中不得不逐条列举禁止行为，本质上是一种防御性提示词写法（defensive prompting）。

为什么图标会「消失」？暴露的能力短板

作者提到的两个问题——图标消失、未完全遵循提示词——正是当前视频模型的典型痛点：

其一是小物体的一致性维持。 桌面图标属于画面中的小尺寸元素，模型在多帧渲染中很难持续「记住」它们的精确形态、标签文字与位置。当女子的头部运动、图标掉落等动态发生时，模型容易出现图标合并、变形乃至凭空消失的现象。作者在提示词里反复写「do not duplicate, merge, morph, disappear」，恰恰说明这些正是模型的高发错误。

其二是长提示词的执行衰减。 当一段提示词包含数十条精确约束时，模型往往无法逐条兑现。物理撞击的时机、界面抖动的帧数、音效的同步，这些细节越多，实际输出与文本描述的偏差就越大。换句话说，提示词写得越细，并不等于模型执行得越准。

从技术层面看，这两个问题根植于当前视频生成模型的底层架构特性。主流 AI 视频模型（包括基于扩散Transformer的架构）在生成连续帧时，并不维护一个显式的「场景状态图」——它无法像游戏引擎那样用一个对象列表来追踪「图标 A 当前在坐标 (x, y)」。每一帧的生成都依赖对前序帧的隐式理解，随着帧数增加，早期帧中的小物体细节容易在隐空间（latent space）中被逐渐「平滑掉」，导致图标在视觉上消融或消失。这被研究者称为「时序一致性衰减（temporal consistency degradation）」问题，是当前视频生成领域的核心挑战之一，也是 ControlNet、物体追踪引导等技术正在尝试解决的方向。

这次实验带来的启示

尽管结果不完美，这次实验仍具有相当的参考价值。它展示了一种「把提示词当剧本写」的思路：通过主体分层、保留清单、毫秒级时间轴和音效描述，尽可能压缩模型的自由发挥空间。对于追求精确控制的创作者来说，这套结构化写法值得借鉴。

同时它也提醒我们：现阶段的 AI 视频模型在照片级人物一致性（女子的面部、服装、动作）上已经相当可用，但在多个小物体的精确物理交互（图标被撞落再逐一归位）这类任务上，仍有明显不足。创意的完整落地，往往受制于这些看似微小、实则关键的细节。

对于想尝试类似创意的用户，一个务实的建议是：把复杂的物理交互拆解、简化，或降低对图标级别精确度的期待，先确保主体与场景稳定，再逐步加码细节。