生成结果和预期差很远时，先别急着换模型，也别同时改采样参数和输入素材。通常可以做一次分离判断：固定一条输入，只动推理参数，看差异能不能被参数解释；再把同一输入换成更贴近训练场景的样本，看差异是否收窄。这样能把「参数没调对」和「数据分布没对上」分开，避免在一个没有区分度的方向上反复试。

先用同一条输入做单变量参数扫描，确认输出变化是否能被 steps、cfg、seed、调度器解释；再拿一条明显贴近训练场景的样本做对照，看差异是否来自镜头角度、物体外观、动作幅度等分布偏移。参数能解释就先调参数；样本对照后仍然差很远，就要承认当前任务不在模型覆盖范围内，转向换模型、微调或拆分镜头，而不是继续堆调参。

固定一条输入，把采样相关参数逐个改一遍

这一步的目的不是找最优值，而是分离出哪些差异确实由推理参数造成。选一条短、清晰、能复现的输入，参数从模型卡或示例配置里的默认值出发，每次只改一项，其余保持完全一致，输出单独落盘。下表是常见参数和观察方向，具体取值范围以你手上的配置说明为准。

可以用一个循环脚本做对照，下面只是通用接入骨架，命令名和参数名请替换成你实际使用的推理入口：

for cfg in 5 7 9; do
  lingbot-video infer \
    `--input` demo_01.mp4 \
    `--prompt` "a person walking, fixed camera" \
    `--steps` 30 \
    `--cfg-scale` $cfg \
    `--seed` 1234 \
    `--output` runs/demo01_cfg-${cfg}_seed1234.mp4
done

输出文件命名建议统一成「场景_改动项-值_seed_其余参数哈希」，例如 demo01_cfg-7_seed1234。这样回看时不用打开视频就能判断哪一项产生了差异，也能避免把两次不同配置的结果混在一起比较。

同一输入重复跑多次看结果稳定性

同一个配置跑两次结果差别很大，说明波动来自随机性，而不是某项配置写错了。先把随机种子固定下来，命令行或配置里显式传入 seed，关掉会自动取随机种子的选项；然后在完全相同的参数下重复跑 3–5 次，记录每次输出。

比较时至少看这几个维度：首帧构图是否一致、主体轮廓是否漂移、运动轨迹方向是否相同、颜色和亮度是否跳变、帧与帧之间是否出现闪烁、尾帧是否突然崩坏。如果固定 seed 后多次结果基本一致，说明配置可复现，之前的波动就是随机性；如果固定 seed 仍然每次不同，要检查是否有未固定的随机源、多卡调度顺序、并行解码或输入预处理里的随机裁剪。

之后再换 3 个不同 seed 各跑一次，用来判断「换 seed 后哪些特征会变」。主体身份、背景布局这类变化大，说明提示词或输入描述不够约束；只有细节纹理变化，通常属于正常随机范围，不必为此继续调参。

记录训练数据与当前输入场景的差别

参数扫完仍然差很远，就要停下来记录输入和训练分布的差别。做法是拿一条你确认「生成正常」的样本，和当前失败的输入并排放，按下面的清单逐项对照，能写「一致 / 轻微不同 / 明显不同」就够，不需要精确测量。

• 镜头角度：训练样本多为固定机位还是手持运动，当前输入是否出现大幅推拉、旋转、俯仰。
• 物体外观：主体比例、朝向、遮挡程度、材质和颜色是否超出示例范围。
• 动作幅度：动作速度、关节角度、是否是训练中少见的连续快速动作。
• 背景与光照：室内外、逆光、强阴影、复杂背景是否和示例差距明显。
• 画幅与帧率：宽高比、分辨率、帧率是否被预处理裁剪或抽帧改变。
• 提示词写法：描述粒度、语言、是否包含模型示例里没出现过的组合概念。

判断依据很简单：如果换成一条贴近示例的样本后结果明显变好，问题更可能在数据分布；如果换成贴近示例的样本结果依旧差，问题更可能在参数、预处理或模型本身的能力边界。

按先参数后数据的顺序排一次验证

不要同时改参数和素材，否则无法归因。建议按三步走，每一步都有通过标准，不通过就回到上一步，不要往下叠加改动。

1. 第一步，固定输入做单变量参数扫描。通过标准：找到一组参数后，输出至少能稳定复现，失败模式可描述（比如「主体糊」而不是「随机崩」）。不通过则回到检查预处理和随机源。
2. 第二步，用第一步确认的参数，替换成贴近训练示例的输入。通过标准：换成示例风格样本后结果明显接近预期。不通过说明参数不是主因，进入第三步。
3. 第三步，对照训练数据与当前场景清单，判断差异维度是否落在模型覆盖范围外。通过标准：能明确说出 1–2 个关键偏移维度。不通过则回到第一步重新确认参数。

每一步只保留一次改动，先记下本次的输入、参数和输出文件，再进入下一步。这样即使最后没有解决，也能给出一份可复核的记录，而不是只有一句「效果不好」。

写清这个模型当前不适合的任务类型

调参到一定程度就要划边界，不然会一直在无解方向消耗时间。以下场景通常不建议继续在本模型上调参，判断依据是前面三步里样本对照仍然差很远、参数扫描无法改变失败模式：

• 需要长时间保持人物身份、服装和面部细节高度一致的多镜头任务。
• 精细手部交互、文字渲染、小物体精确摆放这类对结构要求很高的任务。
• 训练示例中基本没出现过的极端运镜或特殊画幅。
• 要求按数值精确控制动作幅度、时序或物理结果的任务。

替代做法可以先从换一个更匹配的模型、用当前场景数据做微调、把长镜头拆成短片段再拼接、或在前置环节修正输入画幅和帧率这些方向考虑。是否可行要结合你的数据和算力确认，但比继续堆采样参数更接近可验证的路径。