手上只有几张图和一段描述，能不能直接喂给 Hy-Nomas 生成一个可操作的视频世界？判断点不在模型一侧，而在输入一侧：首帧画面里有多少信息，决定世界初始长什么样；操作指令写到什么颗粒度，决定它能不能被驱动。素材基本对齐时，可以先跑一次很短的推理看看反应；素材本身含糊时，改提示词通常没用，先换首帧更划算。
如果首帧能看清唯一主体、起始视角和主光方向，场景描述与画面不打架，操作指令能落到“前进、左转、停下”这类可执行动作词，通常就可以先用一次短推理验证。如果首帧构图含糊、描述和画面对不上，或指令还停在“随便逛逛”这一层，建议先补素材再生成。边界：单次短推理只能看画面是否漂移、视角是否跟随指令，不能替代完整场景的可用性评估。
把需求拆成场景外观和可操作两部分
同样一句要求，可能只考外观，也可能要交互响应，这两类对素材的最低要求并不一样。先把自己的目标归到其中一类，再去看手上的素材够不够。混合需求也可以，但要清楚哪部分靠首帧撑，哪部分靠指令撑。
| 场景外观（只要求看起来对） | 可操作交互响应（要求能被指令驱动） |
|---|---|
| 最小素材：一张构图干净的首帧或参考图，加一段只描述主体、环境、镜头位置的短文本。不要求视频片段。 | 最小素材：一张首帧，加一段明确相机起始视角和空间关系的描述，加一组动作词。首帧必须能看出透视方向，否则视角跟随无从判断。 |
| 自测问题：只看首帧，我能不能一句话说清主体是什么、站在哪里？ | 自测问题：如果让画面往前走两步，我能预判画面里哪个物体会变大、从哪一侧移出视野吗？ |
第二列的自测问题过不了，通常说明首帧缺少可延展的空间结构，只有平面的贴图感，这时候补文字描述帮助有限。
在首帧素材上确认画面信息是否足够
首帧决定世界的初始长相，所以排查顺序建议从素材开始，而不是从提示词开始。一张能用的首帧，通常需要同时具备三件事：
- 主体：画面里有明确的一个主目标，位置稳定、不被边缘裁切，尺寸足够辨认材质和轮廓。
- 起始视角：能看出相机大概的高度和朝向，比如平视街景、略俯视桌面、低机位仰拍，这直接决定后续视角变化往哪个方向走。
- 光照方向：有相对明确的主光来源，阴影落点与光源方向一致，避免画面里同时出现互相矛盾的多个强光源。
常见的反面情形：拿一张远景合影式截图当首帧，主体只占很小一块，周围全是杂乱背景；画面有多处强反光和互相冲突的阴影；带大面积运动模糊或界面遮挡；主体被边框切掉一半。这类首帧模型只能靠猜来确定主体是谁、场景有多深，生成出来的世界容易在第一次操作时就失去空间感。
整理一段能被模型读懂的场景描述
文本描述的作用是补首帧看不全的部分，比如地面材质、背景延伸方向、机位高度，重点是不要和首帧互相拆台。可以直接用下面这个模板，三个字段写完就够用一次初测：
主体：一辆停在充电桩旁的银色两厢车，车头朝画面左侧
环境：夜间城市街道，湿沥青路面，两侧低层店铺，远处有路灯
镜头位置：距车约四米，机位高约一点二米，朝向车头略偏左，视野覆盖整条车道改写前后的差别通常在具体程度上。改写前：
一个很酷的未来城市，赛博朋克风格，细节丰富，画质高改写后：
主体：街道中央一辆银色两厢车，车门关闭，轮胎接触地面
环境：夜间城市街道，湿沥青地面有反光，两侧三层以下店铺，背景无高层建筑
镜头位置：水平机位，高约一点二米，朝向车尾方向，主体位于画面偏左三分之一处改写后没有形容词，但每个字段都能和首帧对上。判断标准很简单：把描述里的每一句对照首帧看一遍，凡是首帧里没有依据又会影响画面的内容，就先删掉。首帧是俯视而描述写“平视街道”，或者首帧是白天而描述强调“霓虹灯反光”，都是典型冲突项，冲突时建议以首帧为准，把描述改成描述首帧已有的东西。
把操作指令写成模型能响应的动作词
操作指令解决的是“怎么动”，颗粒度太粗模型不知道往哪动，太细又容易和帧率、时长绑死，反而不可控。常见可用动作词：
- 移动类：前进、后退、左移、右移、加速、减速、停下
- 转向类：左转、右转、抬头、低头、转身一百八十度
- 状态类：保持当前视角、回到起始视角、沿原路返回
- 交互类：靠近、拾取、观察、开门（需要场景里确实存在对应物体）
过粗的写法：“随便走走看看”“自动探索一下周围”，这类指令没有方向也没有终点，模型通常只能给一段自发的镜头漂移，很难验证是否响应了指令。过细的写法：“以每秒零点三米的速度沿正前方向前进零点五秒然后停止”，把速度、时长写死，一旦场景尺度与预期不符，动作幅度就会显得过大或几乎看不出。
修正建议是补上方向和目标，去掉不可控的绝对量：把上面那句改成“向前走到接近墙面前停下”，把“随便逛逛”改成“先左转看向门口，再前进两步”。判断是否可以执行，看这条指令能否回答三个问题：往哪个方向、大概多远或到哪为止、结束后画面应该长什么样。
用一次短推理验证素材是否被正确读取
在正式做完整场景之前，先发一次短请求，只带首帧、描述和一到两条动作词，看模型是否真的把输入读进去了。请求骨架可以写成这样，字段名按实际接入方式替换：
{
"first_frame": "<首帧图片>",
"scene_text": "主体：... 环境：... 镜头位置：...",
"actions": ["保持当前视角", "向前走两步", "左转看向门口"],
"duration": "short"
}观察点按顺序看三项，逐项记录，不要合并成一句“效果不好”：
- 画面是否漂移：发出“保持当前视角”后，背景细节是否仍在持续变化、主体轮廓是否逐渐变形。持续漂移通常说明首帧信息不足，模型在用猜测补画面。
- 视角是否跟随操作：发出左转后，画面变化方向是否与指令一致，左转却出现右移，属于方向理解偏差，先检查描述里的机位朝向是否写清。
- 场景是否突然切换：在没有新指令的情况下背景元素整体换了一套，或主体换成了另一个物体，说明描述与首帧存在冲突或首帧主体不够唯一。
三项里只出现第一项，优先换首帧重新试；出现第二、第三项，优先修描述和动作词，把冲突项删掉再跑一次同样的短请求。这套验证只能说明输入是否被正确读取，进一步判断世界是否好用，需要结合具体场景和多轮操作一起确认。